Viimase kahe aasta jooksul on suured piiritehisintellekti mudelid, millel on miljardeid kuni triljoneid parameetreid, saavutanud märkimisväärse populaarsuse, integreerudes peaaegu iga päev erinevatesse rakendustesse ja ärivahenditesse. Kuid nende ressursinõudlike mudelite kiire laienemine tekitab muret nende jätkusuutlikkuse pärast. See on ajendanud suuremaid tehnoloogiaettevõtteid, sealhulgas Microsoft, Google ja AWS, uurima tuumaenergia kasutamise võimalust, et toetada massilist andmekeskuste infrastruktuuri, mis on vajalik tulevase tehisintellekti kasvu toetamiseks. Kuigi OpenAI, NVIDIA, Google ja Anthropic tipptasemel mudelid demonstreerivad enneolematuid võimeid, ületavad nad sageli paljude rakenduste nõudmisi, võrrelduna F1 auto igapäevaseks sõitmiseks kasutamisega. Seetõttu kasvab huvi väiksemate mudelite vastu, mis sisaldavad tavaliselt sadu miljoneid kuni vähem kui 10 miljardit parameetrit, olles tõhusad ja kuluefektiivsed. NVIDIA tutvustas hiljuti oma NIM (NVIDIA inference Microservice) tehnoloogiat, mis lihtsustab tehisintellekti juurutamist ja võimaldab tööstusharu-spetsiifilisi rakendusi, nagu ravimite avastamine ja koodigeneratsioon, vähendades samal ajal arvutuskoormust.

NVIDIA ja Accenture'i koostöö illustreerib, kuidas spetsialiseeritud mikroteenused ja teadmised võivad kiirendada tehisintellekti kasutuselevõttu ettevõtetes. Sarnaselt esitles IBM oma Granite 3. 0 mudeleid, mis konkureerivad Llama ja Mistraliga, rõhutades väikeste keelemudelite tõhusust erinevates rakendustes. IBM-i avatud lähtekoodiga lahendusi saab rakendada mitmetel pilveplatvormidel, sealhulgas tema enda watsonx, näidates suurt keskendumist ettevõtete vajadustele. Ettevõtete tehisintellekti tulevik vaatab mudelite ja kohanemisvõimelise infrastruktuuri segule, mis eelistab tulemustel põhinevaid projekte, edendades edusamme sellistes valdkondades nagu automatiseerimine ja digitaalne tööjõud. Idee, et üks suurima mahuga mudel suudab täita kõiki ettevõtte vajadusi, on ekslik; paljudel määratletud kasutusjuhtudel oleks kasu väiksematest, spetsialiseeritud mudelitest, mis pakuvad paremat energiatõhusust ja kulude juhtimist, lihtsustades samal ajal andmehaldust. Uurimistöö keerulise tehisintellekti valdkonnas jätkub, kuid paljude ärirakenduste jaoks esindavad väiksemad alustemudelid jätkusuutlikumat lähenemist. See mitte ainult ei võimalda laiemat ja tõhusamat tehisintellekti juurutamist, vaid vähendab oluliselt ka tegevuskulusid, muutes selle atraktiivseks valikuks ettevõtetele, kes soovivad kasutada põlvkondlike ja agentiliste tehisintellekti lahenduste potentsiaali.