<p>“AI 模型的選擇是特定於用例的。” IBM 的首席發明家馬丁·基恩（Martin Keen）這一簡潔的表述穿透了當前圍繞大型語言模型（LLMs）的炒作，為企業領導者在生成式 AI 廣闊的領域中提供了清晰、可操作的框架。基恩的演講旨在揭示小型語言模型（SLMs）、大型語言模型（LLMs）和前沿模型（FMs）之間的差異，提供了關於如何戰略性地將模型能力、成本和治理要求與特定業務需求相匹配的深刻分析。</p>
<p>基恩首先將 LLMs 定位為大多數人所認為的 AI 模型，這些模型擁有數十億個參數，屬於通用型模型。這些是廣泛的開源工作馬，能夠進行復雜的多領域對話和推理。然而，它們計算成本高，通常需要雲或 SaaS 環境，因為它們對 GPU 內存和處理能力的需求很大。相比之下，SLMs 的參數少於 100 億，並不是被視為劣質版本，而是高效的專業模型。基恩指出，經過良好調優的 SLM 在專注任務上 “往往能夠匹配甚至超越這些更大的模型”，運行速度更快，成本更低。前沿模型（FMs）是最強大的層級，其特點是規模龐大——通常超過數百億個參數——以及深度工具集成，使其成為處理高度複雜、多步驟任務的最佳選擇。</p>
<p>這裏的戰略洞察是，規模更大並不總意味着更好；優化是關鍵。對於許多高頻率、重複性的企業任務，SLMs 的靈活性和成本效益遠遠超過 LLMs 的通用能力。基恩用文檔分類和路由的例子來説明這一點，這是保險或客户服務等行業中的常見工作流程。當一家公司每天接收成千上萬的文檔，每個文檔都需要分類和路由時，速度、成本和治理成為首要關注點。經過微調的 SLM 能夠為這一特定模式匹配任務提供 “更少參數的快速推理” 和 “可預測的基礎設施成本”。此外，對於金融和醫療等受監管行業，在本地運行 SLM 確保數據不會離開環境，從而解決關鍵的合規問題——這是一個不可妥協的優勢。</p>
<p>對於更復雜的應用，如高級客户支持系統，LLMs 展現出其獨特的優勢。基恩描述了一個場景，其中客户支持查詢需要綜合來自多個來源的數據——賬單數據庫、配置日誌和工單歷史——以生成細緻的解決方案。在這裏，LLM 固有的 “廣度” 和 “概括” 能力變得至關重要。經過多樣化數據集的訓練，涵蓋技術文檔和客户互動，LLM 能夠理解這些不同數據點之間的複雜關係。這使得模型能夠 “概括到它之前沒有明確見過的場景”，並處理客户支持中常見的高變異性和邊緣案例，提供複雜的、上下文感知的推理，而專業的 SLM 則難以實現。</p>
<p>第三個用例，自主事件響應，要求具備極高的推理和規劃能力，成為前沿模型的專屬領域。在高風險場景中，例如凌晨 2 點觸發的關鍵系統警報，FM 需要進行多步驟調查：查詢監控系統和日誌，識別根本原因，確定適當的修復措施，然後通過 API 調用（例如，重啓服務或回滾部署）自主執行解決方案。基恩強調，這種複雜的決策過程涉及在多個步驟中保持連貫的推理鏈，完全屬於 FMs 的 “代理能力” 範疇。儘管今天這些 FMs 通常作為 “帶有一些保護措施和人類簽字的 AI 副駕駛” 運行，但規劃和執行復雜工作流程的基礎能力仍然存在於最強大的模型中。對於希望看到完全自主操作未來的創始人和分析師而言，FMs 代表了管理動態、高後果環境所需的當前最先進技術。</p>
<p>最終，基恩的演講為企業 AI 戰略提供了明確的指令：將模型與任務匹配。SLMs 為簡單、高通量任務提供速度、成本控制和治理優勢；LLMs 為複雜的數據綜合問題（如客户支持）提供必要的廣度和概括能力；而 FMs 則提供自主、多步驟事件響應所需的代理推理。這些不同模型類型的戰略部署——而不是單一關注最大、最強大的 AI——是解鎖企業內可擴展、成本有效和合規的生成式 AI 解決方案的關鍵。</p>

雲計算 ETF - GlobalX

北美科技軟件股指數 ETF - iShares

標普軟件與服務 ETF - SPDR

<p>IBM 的 Martin Keen 強調，AI 模型的選擇——大型語言模型（LLMs）、小型語言模型（SLMs）或功能模型（FMs）——應根據特定企業需求量身定製。LLMs 是適合複雜任務的通用模型，但成本較高，而 SLMs 則是高效的專業模型，在專注任務上可以超越 LLMs。FMs 在複雜的多步驟操作中表現出色。Keen 主張將模型與任務匹配：SLMs 適用於高吞吐量任務，LLMs 適用於數據合成，FMs 適用於自主事件響應，強調在 AI 部署中優化的重要性，而非單純追求規模</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 模型的選擇是特定於用例的。” IBM 的首席發明家馬丁·基恩（Martin Keen）這一簡潔的表述穿透了當前圍繞大型語言模型（LLMs）的炒作，為企業領導者在生成式 AI 廣闊的領域中提供了清晰、可操作的框架。基恩的演講旨在揭示小型語言模型（SLMs）、大型語言模型（LLMs）和前沿模型（FMs）之間的差異，提供了關於如何戰略性地將模型能力、成本和治理要求與特定業務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>基恩首先將 LLMs 定位為大多數人所認為的 AI 模型，這些模型擁有數十億個參數，屬於通用型模型。這些是廣泛的開源工作馬，能夠進行復雜的多領域對話和推理。然而，它們計算成本高，通常需要雲或 SaaS 環境，因為它們對 GPU 內存和處理能力的需求很大。相比之下，SLMs 的參數少於 100 億，並不是被視為劣質版本，而是高效的專業模型。基恩指出，經過良好調優的 SLM 在專注任務上 “往往能夠匹配甚至超越這些更大的模型”，運行速度更快，成本更低。前沿模型（FMs）是最強大的層級，其特點是規模龐大——通常超過數百億個參數——以及深度工具集成，使其成為處理高度複雜、多步驟任務的最佳選擇。</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>這裏的戰略洞察是，規模更大並不總意味着更好；優化是關鍵。對於許多高頻率、重複性的企業任務，SLMs 的靈活性和成本效益遠遠超過 LLMs 的通用能力。基恩用文檔分類和路由的例子來説明這一點，這是保險或客户服務等行業中的常見工作流程。當一家公司每天接收成千上萬的文檔，每個文檔都需要分類和路由時，速度、成本和治理成為首要關注點。經過微調的 SLM 能夠為這一特定模式匹配任務提供 “更少參數的快速推理” 和 “可預測的基礎設施成本”。此外，對於金融和醫療等受監管行業，在本地運行 SLM 確保數據不會離開環境，從而解決關鍵的合規問題——這是一個不可妥協的優勢。</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>對於更復雜的應用，如高級客户支持系統，LLMs 展現出其獨特的優勢。基恩描述了一個場景，其中客户支持查詢需要綜合來自多個來源的數據——賬單數據庫、配置日誌和工單歷史——以生成細緻的解決方案。在這裏，LLM 固有的 “廣度” 和 “概括” 能力變得至關重要。經過多樣化數據集的訓練，涵蓋技術文檔和客户互動，LLM 能夠理解這些不同數據點之間的複雜關係。這使得模型能夠 “概括到它之前沒有明確見過的場景”，並處理客户支持中常見的高變異性和邊緣案例，提供複雜的、上下文感知的推理，而專業的 SLM 則難以實現。</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>第三個用例，自主事件響應，要求具備極高的推理和規劃能力，成為前沿模型的專屬領域。在高風險場景中，例如凌晨 2 點觸發的關鍵系統警報，FM 需要進行多步驟調查：查詢監控系統和日誌，識別根本原因，確定適當的修復措施，然後通過 API 調用（例如，重啓服務或回滾部署）自主執行解決方案。基恩強調，這種複雜的決策過程涉及在多個步驟中保持連貫的推理鏈，完全屬於 FMs 的 “代理能力” 範疇。儘管今天這些 FMs 通常作為 “帶有一些保護措施和人類簽字的 AI 副駕駛” 運行，但規劃和執行復雜工作流程的基礎能力仍然存在於最強大的模型中。對於希望看到完全自主操作未來的創始人和分析師而言，FMs 代表了管理動態、高後果環境所需的當前最先進技術。</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>最終，基恩的演講為企業 AI 戰略提供了明確的指令：將模型與任務匹配。SLMs 為簡單、高通量任務提供速度、成本控制和治理優勢；LLMs 為複雜的數據綜合問題（如客户支持）提供必要的廣度和概括能力；而 FMs 則提供自主、多步驟事件響應所需的代理推理。這些不同模型類型的戰略部署——而不是單一關注最大、最強大的 AI——是解鎖企業內可擴展、成本有效和合規的生成式 AI 解決方案的關鍵。</p>
</div>

LLM、SLM 和 FM：為企業工作負載選擇合適的 AI 模型