字数 1629，阅读大约需 9 分钟
AI新锐Fastino：低价游戏GPU训练高性能小型模型，引领企业级应用新范式
在科技巨头们热衷于炫耀需要庞大昂贵GPU集群支持的万亿参数AI模型时，位于帕洛阿尔托的初创企业Fastino却另辟蹊径。该公司宣称已研发出一种新型AI模型架构，这种架构故意设计得小巧且任务专用。据Fastino介绍，这些模型非常小巧，以至于可以用总价值不到10万美元的低端游戏GPU进行训练。这一方法正吸引着越来越多的关注。
Fastino已获得由Khosla Ventures领投的1750万美元种子轮融资，该公司独家向TechCrunch透露。这使Fastino的总融资额接近2500万美元。去年11月，该公司还曾在微软风投部门M12和Insight Partners领投的pre-seed轮融资中筹集了700万美元。
Fastino首席执行官兼联合创始人Ash Lewis表示：“我们的模型速度更快、更准确，训练成本仅为主流模型的一小部分，同时在特定任务上的表现优于旗舰模型。”Fastino已开发出一套小型模型，并将其出售给企业客户。每个模型专注于企业可能需要的特定任务，如敏感数据脱敏或企业文档摘要。
尽管Fastino尚未披露早期指标或用户数据，但该公司表示其性能已令早期用户惊叹不已。例如，由于模型非常小巧，它们可以在单个token内提供完整响应，Lewis向TechCrunch展示了这项技术如何在毫秒内一次性给出详细答案。
小型化模型与边缘计算部署的崛起
Fastino的创新之处在于其对小型化模型（Tiny AI）的专注。与动辄需要数百万美元硬件支持的大型模型不同，Fastino的模型可以在低成本硬件上高效运行，这使其非常适合边缘计算部署。在边缘计算场景中，计算资源通常有限，而Fastino的模型可以在这些环境中提供高性能的AI能力。
根据Gartner的一份报告，到2025年，75%的企业生成数据将在边缘进行处理和分析。Fastino的小型化模型架构正好契合了这一趋势，为企业提供了在边缘部署高性能AI的解决方案。
Fastino的技术架构创新与企业级应用价值
Fastino的模型架构创新主要体现在以下几个方面：
- 1. 任务专用性：Fastino的模型针对特定任务进行优化，而不是试图成为一个通用的“万能”模型。这种专用性使得模型可以在特定任务上取得更好的性能，同时保持较小的规模。
- 2. 低成本训练：通过使用低端游戏GPU进行训练，Fastino大大降低了模型训练的成本。这使得企业可以以更低的成本获得高性能的AI能力。
- 3. 快速响应：由于模型非常小巧，Fastino的模型可以在毫秒内提供完整响应。这对于需要实时处理数据的企业应用场景非常重要。
Fastino的模型在企业级应用中具有广泛的价值。例如，在数据脱敏方面，Fastino的模型可以快速准确地识别和删除敏感数据，帮助企业保护用户隐私。在文档摘要方面，Fastino的模型可以自动生成简洁准确的文档摘要，帮助企业提高工作效率。
对比主流大模型生态：Fastino的‘反大模型’路线是否预示着新范式转变？
目前，主流的AI模型生态主要由OpenAI、Anthropic、Cohere等公司主导，这些公司专注于开发大型通用模型。然而，Fastino的‘反大模型’路线是否预示着企业AI应用的新范式转变？
一方面，大型通用模型在许多任务上表现出色，但它们也存在一些缺点，如训练成本高昂、部署困难等。另一方面，小型化模型虽然在通用性上可能不如大型模型，但它们在特定任务上的表现可能更好，且具有低成本、易于部署等优势。
根据IDC的一份报告，到2024年，80%的企业将使用小型化、任务专用的AI模型来满足其特定需求。Fastino的创新可能正是这一趋势的早期体现。
Fastino的团队建设策略与技术哲学
Fastino的成功不仅在于其技术创新，还在于其独特的团队建设策略和技术哲学。该公司专注于吸引那些不痴迷于构建最大模型或打破基准的顶尖AI研究人员。
Lewis表示：“我们的招聘策略非常注重那些可能对当前语言模型构建方式持有不同观点的研究人员。”这种策略使得Fastino能够吸引到那些具有创新思维和独特见解的人才，从而推动公司的技术进步。
Fastino的技术哲学也与当前主流的AI研究有所不同。该公司认为，并不是所有的任务都需要大型通用模型，有时候小巧而专用的模型可能更适合特定需求。这种哲学使得Fastino能够专注于开发那些真正能够解决企业实际问题的模型。
