人工智能中大模型和小模型的实际应用区别是什么？

大家好，我是TFlow AI的产品负责人。负责一款B端Agent的产品策划。TFlow AI 产品简介：是面向B端Agent平台，主要做模型应用层的开发。包含：任务流程agent、助手agent，rag等标准化的SDK，企业可以直接使用SDK等完成二次开发，从而为业务提效。

目前主要的SDK“任务流程agent”：能按流程处理任务（SOP），围绕目标来进行离散推理。能快速搭建Ai客服、AI导购等应用。体验地址：点击体验

今天我们来看下，传统AI1.0和大模型AI2.0他在应用开发上有什么区别

传统的AI 1.0的开发使用过程

首先需要内部数据，这些数据可能来自多种来源，比如文件、数据库等等各种用户数据，文档内容。基于这些数据，构建数据分析平台或数据中台。处理了大量的数据，用各种小模型，最终将训练结果用于应用层。

例如，如果想要建立一套推荐系统，目标是将产品推荐给合适的用户，他的整个过程如下

• 1、数据获取：获取大量与用户行为数据和购买记录数据。
• 2、训练算法：使用一些推荐算法，如基于内容的推荐算法、基于协同过滤的推荐算法。
• 3、测试计算：使用测试数据集，模拟当用户访问某个平台或网站时，基于用户已有的行为数据，进行计算匹配。计算出我最合适的产品。查看模型在测试集上的表现
• 4、反馈收集：当测试集数据集合格，需要将应用面向终端用户。推荐的结果，用户可能会点击推荐的商品，也可能忽视推荐。需要将反馈结果收集，并传递到数据端。
• 5、算法调整：基于结果，进行二次反馈调整

大型模型的AI 2.0开发使用过程

它的逻辑与传统1.0AI完全不同。

模型的开发

• 1、依赖于海量数据，可以被视为全球人类已知的数据知识。
• 2、基于这些数据，训练出通用的大模型。模型具备很多能力，如推荐等等。
• 3、当给一个用户的数据，模型就会自动推荐商品。于企业的业务特性，需要做个性化处理。

企业的应用

• 1、企业只需将通用大模型稍作调整，以适应我们自己的场景。通常通过prompting和微调，将通用大模型适配为企业需要的模型。
• 2、在应用层，同样可以通过收集大量反馈数据，将数据反馈到模型中。

模型的优化

• 优化的流程，在外部进行，与企业关系不大。
• 由通用大模型公司负责升级，如百度、Kimi等。
• 作为企业只需要做好适配，当然在prompt和微调也需要一些企业内部数据，但和海量数据相比，这里的数据量相对较少。

传统AI和大模型的AI什么区别昵？

• 1、通用大模型其能力足够强，我们甚至不需要进行额外的工作，可以直接应用大模型。
• 2、在应用场景中，企业开发工作将逐渐变得轻松。我们所做的更多是对通用大模型的适配，而不需要像AI 1.0时代那样从零开始训练模型。通用大模型能力越高。需要做的开发工作将变得越来越轻松。
• 3、如果将来通用大模型真的非常聪明时，甚至不需要进行大模型的微调。

总的来说，随着大模型能力的增强，构建一套AI应用场景的门槛正在降低。

技术平权的时代来临！