《前文》介绍了头部银行大模型应用的概况。各行在年报中从大模型导入概况、应用场景、研发效率提升和关键成效数据等多个维度讨论了各自的创新，非常优秀且各具特色，令人影响深刻。
中小金融机构因为没有头部银行的资源和团队，企业级AI/大模型的路径很难直接复制这些大行的实践。最近，金融业的老牌技术供应商：IBM，提出了企业级AI“小即是美、一企多模、实用优先”的观点。可能给中小金融机构带来另一个角度的借鉴。
上周，在波士顿召开了Think 2025大会，IBM提出了企业AI的核心观点：小即是美，小是指领域化小模型（domain-specialized small models）。“一企多模”，未来不会只部署一个大模型，而是多个小模型在不同场景协同工作（如营销用一个，客服用一个，IT 运维再用一个）。“实用优先”，不是一味追求模型规模最大、参数最多，而是追求性能、效率与业务场景的最佳契合。
IBM在Think 2025大会提出了“专用小模型优先”的企业AI 战略。IBM 首席执行官Arvind Krishna 多次强调企业级AI 应用需要针对企业数据和业务场景定制的模型，而非单纯追求规模最大的通用模型。
IBM指出，企业目前只有不到1% 的数据被大型通用模型利用，“如果要解锁剩余99%企业数据的价值，就需要针对企业场景量身定制的AI 方法[1]”。同时，更小型、开放、专用的AI 模型可更快实现ROI。
为什么选择小模型？
IBM提出了选择小模型的多重理由，主要包括：
·成本与效率：小模型所需计算资源远低于超大模型，运行成本大幅降低。例如，IBM 透露其专用小模型在推理时可能比数千亿参数的大模型便宜30 倍以上。小模型只包含与特定任务相关的数据，从而节省计算和能耗。
·部署与性能：小模型更小更快，更易部署到多种环境。它们可以在本地服务器、边缘设备或云端灵活运行，不依赖于大规模算力。小模型不仅“快得多、更“成本高效”，而且可以随需求在任何地方执行。在算力有限的场景（如智能手机、工业传感器等边缘设备）上，小模型可就地处理数据，即时释放边缘数据价值。
·针对企业数据和场景：大型通用模型在企业细分领域往往“力不从心”，泛化能力有限。IBM 强调使用领域定制的小模型，可以更深入地学习企业自有数据，从而提高准确度和相关性。
·可控与安全性：小模型更容易“开箱可见”，便于企业审计和调优，降低黑箱风险。IBM 指出，许多通用模型是闭源黑盒，企业无法验证内部机制。而小模型多采取开源、透明的方式部署，有助于企业保留数据主权和知识产权。小模型还可以依据企业合规和隐私要求进行定制训练，提高结果可信度并减少偏差、漏洞风险。
·专项性能优势：针对特定任务的小模型有时在准确度上超过通用大模型。IBM 在内部测试中发现：30亿–200亿参数级别的领域模型，在经过定向调优后，其业务准确率已经能够匹配甚至超过拥有数千亿参数的大模型[2]。同时，由于模型更小、更专用，它们在推理速度、响应延迟等方面也有明显优势。
与大模型主导趋势的对比
AI行业一度热捧超大规模通用模型，IBM的观点并非完全否定大模型，而是强调两者互补。IBM CEO Arvind Krishna 明确表示，小模型不是要替代大模型，而是要“与大模型结合”使用，尤其是在企业场景中因地制宜地优化。IBM 认为，大模型在一些复杂任务上有用，但对于日常的分类、摘要等大部分企业需求，并不需要超大规模模型。IBM 甚至引用研究表明，训练数据的稀缺性和成本已使继续盲目扩规模变得不划算，未来AI 应用更多依赖“在何处存在数据”而非模型有多大。
与此形成对比的是，行业趋势也开始从“更大更好”转向更加务实的探索。Gartner预测，到2027年企业将使用定制化小模型的次数是通用LLM 的三倍[3]。Forrester 也预计，今年内小模型的部署将激增超过60%，尤其是那些针对特定业务术语和流程训练的模型。主流科技媒体和机构纷纷关注小模型的崛起：例如MIT Technology Review 将小型语言模型列入2025 年十大技术突破，称它们“更快、更便宜、效率更高[4]”。
小模型优先的思路在行业内引起了较大反响
业界对IBM 小模型战略的回应总体积极，多数专家与企业认为这是发展方向。技术分析机构theCUBE 研究指出，IBM 的2025年行业小模型战略验证了他们在2023 年提出的“Gen AI 幂律假说”：未来生成式AI 应用的长尾将是无数针对不同数据所在位置的小模型[5]。
技术媒体《WIRED》报道指出，不仅IBM，微软、谷歌、OpenAI 等均已推出参数量仅数十亿的“小模型”产品，用于语音助手、搜索增强、数据分析等各类企业应用[6]。
除了小模型，其他值得一说的点
IBM的Watsonx Orchestrate，类似企业级AI智能体App Store，提供或者集成开箱即用的AI智能体组件。客户可在几分钟内构建、组装或者运行新的AI智能体，实现快速部署。
IBM强调数据质量对生成式AI 的重要性，这个观点业界是有共识的，特别是工程实践领域。“小模型+ 高质量数据+ 工具链集成”，足以构建“够用、好用、可控”的企业级AI。
