商傳媒|責任編輯/綜合外電報導
在人工智慧軍備競賽中,科技巨頭往往熱衷於比拚參數規模——也就是用來衡量模型複雜度與容量的參數數量(Parameter Count)。然而,在講求效率與即時反應的電信網路領域,AI 模型並非越大越好。
美國電信雲端平台業者 Calix 近日指出,處理網路特定問題時,專門針對任務優化的小型模型,表現往往比龐大且集中運行的通用大型 AI 更具優勢。Calix 正著手開發規模適中的專用模型,聚焦於資安分析、網路故障排除以及用戶支援等具體任務。
Calix 產品長 Shane Eleniak 在接受《新聞週刊》(Newsweek)採訪時直言:「當你進入複雜的推理問題時,你需要的是專家。」他認為,技術本身已不再是最大障礙,系統的複雜性才是真正的挑戰。大型模型雖然通用性高,但在面對高度專業的網路維運時,往往過於笨重且協同成本高昂;相對而言,範圍精確的小型模型更容易導入與管理。
目前 Calix 已在開源平台 Hugging Face 上釋出開放權重的 Communications Language Model,供全球開發者測試與實驗。這款模型針對通訊產業的特定語境進行訓練,展現專用語言模型在垂直領域的潛力。
除了開放模型,Calix 預計在 2027 年推出名為「Calix Gems」的專用模型系列。這套系列將針對更狹窄、精確的網路維運任務進行設計,協助企業在龐雜的基礎設施中迅速定位並解決異常。
Shane Eleniak 分析,小型專用模型帶來的效益適用於各種規模的組織。對小型維運團隊而言,能以有限資源承擔更多工作;對大型跨國電信機構來說,則能大幅減少跨系統協調的繁瑣流程。他強調,未來的架構將會是集中式與分散式模型的混合配置,以因應不同場景的真實需求。
不過,在自動化普及的過程中,人為監督仍不可或缺。Shane Eleniak 特別提到,一旦 AI 建議或執行的操作涉及終端用戶的使用體驗,系統仍應由人類工程師進行最終審核與批准,避免演算法誤判造成服務中斷。







