<p>“AI 模型的选择是特定于用例的。” IBM 的首席发明家马丁·基恩（Martin Keen）这一简洁的表述穿透了当前围绕大型语言模型（LLMs）的炒作，为企业领导者在生成式 AI 广阔的领域中提供了清晰、可操作的框架。基恩的演讲旨在揭示小型语言模型（SLMs）、大型语言模型（LLMs）和前沿模型（FMs）之间的差异，提供了关于如何战略性地将模型能力、成本和治理要求与特定业务需求相匹配的深刻分析。</p>
<p>基恩首先将 LLMs 定位为大多数人所认为的 AI 模型，这些模型拥有数十亿个参数，属于通用型模型。这些是广泛的开源工作马，能够进行复杂的多领域对话和推理。然而，它们计算成本高，通常需要云或 SaaS 环境，因为它们对 GPU 内存和处理能力的需求很大。相比之下，SLMs 的参数少于 100 亿，并不是被视为劣质版本，而是高效的专业模型。基恩指出，经过良好调优的 SLM 在专注任务上 “往往能够匹配甚至超越这些更大的模型”，运行速度更快，成本更低。前沿模型（FMs）是最强大的层级，其特点是规模庞大——通常超过数百亿个参数——以及深度工具集成，使其成为处理高度复杂、多步骤任务的最佳选择。</p>
<p>这里的战略洞察是，规模更大并不总意味着更好；优化是关键。对于许多高频率、重复性的企业任务，SLMs 的灵活性和成本效益远远超过 LLMs 的通用能力。基恩用文档分类和路由的例子来说明这一点，这是保险或客户服务等行业中的常见工作流程。当一家公司每天接收成千上万的文档，每个文档都需要分类和路由时，速度、成本和治理成为首要关注点。经过微调的 SLM 能够为这一特定模式匹配任务提供 “更少参数的快速推理” 和 “可预测的基础设施成本”。此外，对于金融和医疗等受监管行业，在本地运行 SLM 确保数据不会离开环境，从而解决关键的合规问题——这是一个不可妥协的优势。</p>
<p>对于更复杂的应用，如高级客户支持系统，LLMs 展现出其独特的优势。基恩描述了一个场景，其中客户支持查询需要综合来自多个来源的数据——账单数据库、配置日志和工单历史——以生成细致的解决方案。在这里，LLM 固有的 “广度” 和 “概括” 能力变得至关重要。经过多样化数据集的训练，涵盖技术文档和客户互动，LLM 能够理解这些不同数据点之间的复杂关系。这使得模型能够 “概括到它之前没有明确见过的场景”，并处理客户支持中常见的高变异性和边缘案例，提供复杂的、上下文感知的推理，而专业的 SLM 则难以实现。</p>
<p>第三个用例，自主事件响应，要求具备极高的推理和规划能力，成为前沿模型的专属领域。在高风险场景中，例如凌晨 2 点触发的关键系统警报，FM 需要进行多步骤调查：查询监控系统和日志，识别根本原因，确定适当的修复措施，然后通过 API 调用（例如，重启服务或回滚部署）自主执行解决方案。基恩强调，这种复杂的决策过程涉及在多个步骤中保持连贯的推理链，完全属于 FMs 的 “代理能力” 范畴。尽管今天这些 FMs 通常作为 “带有一些保护措施和人类签字的 AI 副驾驶” 运行，但规划和执行复杂工作流程的基础能力仍然存在于最强大的模型中。对于希望看到完全自主操作未来的创始人和分析师而言，FMs 代表了管理动态、高后果环境所需的当前最先进技术。</p>
<p>最终，基恩的演讲为企业 AI 战略提供了明确的指令：将模型与任务匹配。SLMs 为简单、高通量任务提供速度、成本控制和治理优势；LLMs 为复杂的数据综合问题（如客户支持）提供必要的广度和概括能力；而 FMs 则提供自主、多步骤事件响应所需的代理推理。这些不同模型类型的战略部署——而不是单一关注最大、最强大的 AI——是解锁企业内可扩展、成本有效和合规的生成式 AI 解决方案的关键。</p>

云计算 ETF - GlobalX

北美科技软件股指数 ETF - iShares

标普软件与服务 ETF - SPDR

<p>IBM 的 Martin Keen 强调，AI 模型的选择——大型语言模型（LLMs）、小型语言模型（SLMs）或功能模型（FMs）——应根据特定企业需求量身定制。LLMs 是适合复杂任务的通用模型，但成本较高，而 SLMs 则是高效的专业模型，在专注任务上可以超越 LLMs。FMs 在复杂的多步骤操作中表现出色。Keen 主张将模型与任务匹配：SLMs 适用于高吞吐量任务，LLMs 适用于数据合成，FMs 适用于自主事件响应，强调在 AI 部署中优化的重要性，而非单纯追求规模</p>

<p>“The choice of AI model is use case-specific.” This concise statement from Martin Keen, Master Inventor at IBM, cuts through the current hype surrounding large language models (LLMs) to provide a clear, actionable framework for enterprise leaders navigating the sprawling landscape of generative AI. Keen’s presentation, aimed at demystifying the differences between Small Language Models (SLMs), LLMs, and Frontier Models (FMs), provides sharp analysis on how to strategically match model capability, cost, and governance requirements to specific business needs.</p>
<div class="lb-trans"><p>“AI 模型的选择是特定于用例的。” IBM 的首席发明家马丁·基恩（Martin Keen）这一简洁的表述穿透了当前围绕大型语言模型（LLMs）的炒作，为企业领导者在生成式 AI 广阔的领域中提供了清晰、可操作的框架。基恩的演讲旨在揭示小型语言模型（SLMs）、大型语言模型（LLMs）和前沿模型（FMs）之间的差异，提供了关于如何战略性地将模型能力、成本和治理要求与特定业务需求相匹配的深刻分析。</p>
</div><p>Keen began by positioning LLMs—the models most people associate with AI, boasting tens of billions of parameters—as generalists. These are the broad, open-source workhorses capable of sophisticated, back-and-forth conversations and complex reasoning across multiple domains. However, they are computationally expensive, typically requiring cloud or SaaS environments due to their large GPU memory and processing needs. In contrast, SLMs, with fewer than 10 billion parameters, are presented not as inferior versions, but as efficient specialists. Keen points out that a well-tuned SLM can often “match or even beat these bigger models at focused tasks,” operating faster and cheaper. Frontier Models (FMs), the most capable tier, are defined by their sheer scale—often exceeding hundreds of billions of parameters—and deep tool integration, making them the best choice for highly complex, multi-step tasks.</p>
<div class="lb-trans"><p>基恩首先将 LLMs 定位为大多数人所认为的 AI 模型，这些模型拥有数十亿个参数，属于通用型模型。这些是广泛的开源工作马，能够进行复杂的多领域对话和推理。然而，它们计算成本高，通常需要云或 SaaS 环境，因为它们对 GPU 内存和处理能力的需求很大。相比之下，SLMs 的参数少于 100 亿，并不是被视为劣质版本，而是高效的专业模型。基恩指出，经过良好调优的 SLM 在专注任务上 “往往能够匹配甚至超越这些更大的模型”，运行速度更快，成本更低。前沿模型（FMs）是最强大的层级，其特点是规模庞大——通常超过数百亿个参数——以及深度工具集成，使其成为处理高度复杂、多步骤任务的最佳选择。</p>
</div><p>The strategic insight here is that bigger does not always mean better; optimization is key. For many high-volume, repetitive enterprise tasks, the agility and cost-efficiency of SLMs far outweigh the generalist capabilities of LLMs. Keen illustrated this using the example of document classification and routing, a common workflow in industries like insurance or customer service. When a company receives thousands of documents daily, each requiring classification and routing, speed, cost, and governance become paramount concerns. An SLM, fine-tuned for this specific pattern-matching exercise, offers “fast inference from fewer parameters” and “predictable infrastructure costs.” Furthermore, for regulated sectors like finance and healthcare, running an SLM on-premise ensures data never leaves the environment, solving critical compliance issues—a non-negotiable advantage.</p>
<div class="lb-trans"><p>这里的战略洞察是，规模更大并不总意味着更好；优化是关键。对于许多高频率、重复性的企业任务，SLMs 的灵活性和成本效益远远超过 LLMs 的通用能力。基恩用文档分类和路由的例子来说明这一点，这是保险或客户服务等行业中的常见工作流程。当一家公司每天接收成千上万的文档，每个文档都需要分类和路由时，速度、成本和治理成为首要关注点。经过微调的 SLM 能够为这一特定模式匹配任务提供 “更少参数的快速推理” 和 “可预测的基础设施成本”。此外，对于金融和医疗等受监管行业，在本地运行 SLM 确保数据不会离开环境，从而解决关键的合规问题——这是一个不可妥协的优势。</p>
</div><p>For more complex applications, like advanced customer support systems, LLMs step into their own. Keen outlined a scenario where a customer support query requires synthesizing data from multiple sources—billing databases, configuration logs, and ticket history—to generate a nuanced solution. Here, the LLM’s inherent “breadth” and capacity for “generalization” become critical. Trained on diverse datasets spanning technical documentation and customer interactions, an LLM can understand the complex relationships between these disparate data points. This allows the model to “generalize to scenarios it hasn’t explicitly seen before” and handle the high variability and edge cases common in customer support, delivering sophisticated, context-aware reasoning that a specialized SLM would struggle to achieve.</p>
<div class="lb-trans"><p>对于更复杂的应用，如高级客户支持系统，LLMs 展现出其独特的优势。基恩描述了一个场景，其中客户支持查询需要综合来自多个来源的数据——账单数据库、配置日志和工单历史——以生成细致的解决方案。在这里，LLM 固有的 “广度” 和 “概括” 能力变得至关重要。经过多样化数据集的训练，涵盖技术文档和客户互动，LLM 能够理解这些不同数据点之间的复杂关系。这使得模型能够 “概括到它之前没有明确见过的场景”，并处理客户支持中常见的高变异性和边缘案例，提供复杂的、上下文感知的推理，而专业的 SLM 则难以实现。</p>
</div><p>The third use case, autonomous incident response, demands the ultimate in reasoning and planning capability, making it the exclusive domain of Frontier Models. In a high-stakes scenario, such as a critical system alert triggered at 2 a.m., the FM needs to perform a multi-step investigation: querying monitoring systems and logs, identifying the root cause, determining the appropriate fix, and then autonomously executing the solution via API calls (e.g., restarting services or rolling back a deployment). Keen stressed that this complex decision-making, which involves maintaining a coherent reasoning chain across extended steps, falls squarely in the “agentic capabilities” wheelhouse of FMs. While today these FMs often operate as “AI co-pilots with some guardrails built in and human sign-off,” the underlying capability to plan and execute complex workflows is housed within the most powerful models. For founders and analysts looking at the future of fully autonomous operations, FMs represent the current state-of-the-art required to manage dynamic, high-consequence environments.</p>
<div class="lb-trans"><p>第三个用例，自主事件响应，要求具备极高的推理和规划能力，成为前沿模型的专属领域。在高风险场景中，例如凌晨 2 点触发的关键系统警报，FM 需要进行多步骤调查：查询监控系统和日志，识别根本原因，确定适当的修复措施，然后通过 API 调用（例如，重启服务或回滚部署）自主执行解决方案。基恩强调，这种复杂的决策过程涉及在多个步骤中保持连贯的推理链，完全属于 FMs 的 “代理能力” 范畴。尽管今天这些 FMs 通常作为 “带有一些保护措施和人类签字的 AI 副驾驶” 运行，但规划和执行复杂工作流程的基础能力仍然存在于最强大的模型中。对于希望看到完全自主操作未来的创始人和分析师而言，FMs 代表了管理动态、高后果环境所需的当前最先进技术。</p>
</div><p>Ultimately, Keen’s presentation provides a clear mandate for enterprise AI strategy: match the model to the task. SLMs offer speed, cost control, and governance benefits for straightforward, high-throughput tasks; LLMs provide the necessary breadth and generalization for complex, data-synthesis problems like customer support; and FMs deliver the agentic reasoning required for autonomous, multi-step incident response. The strategic deployment of these different model types—rather than a singular focus on the largest, most powerful AI—is the key to unlocking scalable, cost-effective, and compliant generative AI solutions within the enterprise.</p>
<div class="lb-trans"><p>最终，基恩的演讲为企业 AI 战略提供了明确的指令：将模型与任务匹配。SLMs 为简单、高通量任务提供速度、成本控制和治理优势；LLMs 为复杂的数据综合问题（如客户支持）提供必要的广度和概括能力；而 FMs 则提供自主、多步骤事件响应所需的代理推理。这些不同模型类型的战略部署——而不是单一关注最大、最强大的 AI——是解锁企业内可扩展、成本有效和合规的生成式 AI 解决方案的关键。</p>
</div>

LLM、SLM 和 FM：为企业工作负载选择合适的 AI 模型