在受限的公共部门环境中实现AI落地：专用小型语言模型的机遇
随着AI浪潮席卷各行各业，公共部门组织正面临加速采用AI的压力。然而，政府机构在安全、治理和运营方面面临独特的约束，使其与商业机构截然不同。因此，专用小型语言模型（SLMs） 为在这些环境中实现AI落地提供了一条有前景的路径。
公共部门AI部署的独特挑战
当私营部门扩展AI时，他们通常假设某些条件已经到位，包括：
- 持续连接到云端的网络
- 依赖集中式基础设施
- 接受模型透明度不完全
- 对数据移动的限制较少
然而，对于许多政府机构来说，接受这些条件可能从危险到不可能。政府机构必须确保其数据保持在自身控制之下，信息可以被检查和验证，并且运营中断被控制在绝对最低限度。同时，他们经常不得不在互联网连接有限、不可靠或不可用的环境中运行系统。
安全与治理的优先考量
凯捷咨询的一项研究发现，全球79%的公共部门高管对AI的数据安全持谨慎态度，考虑到政府数据的高度敏感性及其使用的法律义务，这是一个可以理解的数字。正如Elastic的AI副总裁韩晓所说：“政府机构必须对发送到网络的数据类型非常严格。这为他们如何思考和管理数据设定了很多界限。”
对敏感信息控制的基本需求是使AI部署复杂化的众多因素之一，特别是与私营部门的标准运营假设相比。
运营连续性的重要性
“许多人低估了AI的运营挑战，”韩晓指出，“公共部门需要AI在各种数据上可靠地运行，然后能够在不中断的情况下增长。运营连续性经常被低估。”
Elastic对公共部门领导人的一项调查发现，65%的机构难以持续、实时和大规模地使用数据。基础设施限制加剧了这个问题。政府组织可能也难以获得用于训练和访问复杂AI模型的图形处理单元（GPUs）。
专用小型语言模型的解决方案
在这些约束下，专用小型语言模型（SLMs） 提供了一种有前景的替代方案。与需要大量计算资源和数据访问的大型模型不同，SLMs可以：
- 在本地或边缘设备上运行，减少对云连接的依赖
- 针对特定任务进行优化，提高效率和准确性
- 提供更好的透明度和可解释性
- 降低数据安全和隐私风险
未来展望
随着AI技术的不断发展，公共部门需要在创新与约束之间找到平衡。专用小型语言模型可能成为这一平衡的关键，使政府机构能够在确保安全、治理和运营连续性的同时，充分利用AI的潜力。这不仅是技术挑战，更是组织文化和流程的转变，需要跨部门的协作和持续的投资。