ARTICLE · 1047613
AI + 项目管理 67
模型即服务（MaaS）
模型即服务（MaaS）主要依托云平台提供服务，但并不局限于云平台。开发者可以通过OpenAI、微软Azure OpenAI Studio等在线网站提供的应用程序编程接口（API）调用预训练大型神经网络机器学习模型。该模式降低了AI的使用门槛，所提供的模型均经过测试、性能得到验证，且并非针对单一任务定制。它简化了AI部署流程，让客户/企业无需复杂的技术储备，就可以使用机器学习的能力。
该模式具备节约成本、部署快速、可弹性扩展、持续迭代优化等优势，非常适合企业希望使用机器学习，但又不想承担自研机器学习模型的复杂工作与高额成本的场景。
微调‑AI即服务（AIaaS）
AI即服务（AIaaS）大多基于云平台实现，但不限于云平台。它可以对来自MaaS的GPT等预训练大型神经网络机器学习模型做进一步调整，使之适配客户/企业的特定业务需求，使用者无需掌握高深的AI专业知识。其过程是基于一份规模较小的内部专用数据集持续训练，同时调整模型权重（即AI模型预测句子或短语中缺失单词/词元时，输入信息的影响强度）以及其他指令参数。
通过该过程，模型在各类特定任务上的表现得以提升，例如自然语言处理、图像识别、情感分析、欺诈检测、语音识别，还可以依托自身知识库回答特定领域的专业问题。
对话类模型是目前最常用的模型类型。这类模型的核心功能是预测下一个单词或短语，表17.1中列出的巴贝奇（Babbage）、达芬奇（DaVinci）模型就属于此类。GPT‑Turbo这类聊天模型也属于对话模型。多任务微调可以同时针对多项关联任务开展训练，增强模型跨任务之间的知识共享与迁移能力，提升综合性能。AIaaS能够让云平台上的模型更贴合具体业务场景，实际效果更好。
可以对哪些模型做微调？
在开展微调之前，必须熟悉各类预训练（开箱即用）模型及其来源。市面上存在多种预训练模型，OpenAI出品的模型整体技术最为先进，能力强大。表17.1为2024年初OpenAI可用于微调的模型清单（版本会频繁更新）；不同模型单次可处理的文本数据量各不相同。
表17.1：OpenAI微调模型选型参考（2024年初）
借助API或者软件开发工具包（SDK）进行微调，得到的效果会优于普通提示词工程。微调可以使用经过标注的小规模内部数据集开展训练，样本内容控制在单次提示词可容纳的范围之内，实现词元调用成本优化，同时缩短响应时间。OpenAI的文本生成模型最初是在海量文本数据上完成预训练。还有部分模型处于预览版本，不建议在生产环境中使用，这类模型会频繁迭代，直至推出稳定版本。
微调操作说明
使用这类模型时，通常会在提示词中写入指令并附带少量示例，OpenAI将该方法称为少样本学习。使用模型时，首先输入专门指令，有时还会给出少量示例告诉模型要完成什么任务。
微调则是在此基础上，使用规模大得多的示例集开展训练，提升各类任务的输出质量。经过微调后的模型，提示词中不再需要大量示例，进一步降低成本、加快响应速度（OpenAI，2024）。在项目管理场景中使用OpenAI文本生成模型的少样本学习，就好比给团队一份清晰的项目计划，再提供部分过往真实案例，帮助团队在无需额外培训的前提下，更高效、快速地完成工作。
AI领域还有少样本提示，即给模型提供若干示例，引导它完成特定任务。借助这些示例，AI能够学习所需的输出格式与行文风格。举个例子，假设你要搭建类似网飞（Netflix）的流媒体平台，AI模型需要结合观众历史观影记录，根据电影剧情、主题生成影片推荐。通过向AI提供电影剧情、主题的示例，AI就可以学习并做出预测。
例如，某位观众看过《洛奇》这类体育励志影片，以及《龙小子》这类讲述克服困难、个人成长题材的电影，这些构成了该观众的观影历史。为训练AI，我们采用少样本提示，给出如下示例：
示例1：《洛奇》——出身平凡的拳击手，立志挑战世界重量级拳王的故事
示例2：《龙小子》——少年学习空手道，勇敢直面困境
AI学习这些样例之后，就可以判断该观众偏好的题材与风格，并向其推送匹配口味的电影。
完成模型微调之后，就不用再在提示词内塞入大量示例。大语言模型（LLM）不同调用量对应不同定价，因此微调可以显著节约成本。以下摘录自OpenAI官网的定价说明：
“多款模型具备不同能力与定价。价格按每1000词元计费。可以把词元理解为文字片段，1000词元大约对应750个英文单词。本段引述内容共计35词元。”
如需了解完整模型定价，请访问OpenAI官网；Azure OpenAI服务的定价可查阅微软学习平台（learn.microsoft.com）。
估算训练成本公式：
每千词元基础成本 × 输入文件总词元数 × 训练轮数（epochs）
因此，一份包含100 000词元的训练文件，完整训练3轮，成本约为2.40美元。
何时应当使用微调
未完待续
关键术语注释
token（词元）：AI文本处理最小单元，英文中不等于完整单词，用于计量计费与上下文长度； epoch（训练轮）：把全部训练数据集完整遍历一遍，称为1个epoch； few‑shot learning / few‑shot prompting：少样本学习 / 少样本提示； fine‑tuning：微调； pretrained model：预训练模型； weights / parameters：权重 / 参数。