 Models enabling on-device AI: Sim

 Models enabling on-device AI: Similar to the trend of smaller, more use-case specific models, hybrid AI/on-device AI hopes to offer scalability, performance, and personalization at reduced costs, with the added benefit of on-premise/ondevice security. If model size and prompt (i.e., question) are below a certain threshold, then inference can run on a device (currently estimated to be >1 billion parameters, though models with >10 billion are slated to work eventually). Larger models can use a hybrid approach to work across devices and the cloud. Bringing Generative AI capabilities closer to the source can also enable per-user alignment and tuning. As models become more user-case specific, the added benefit of a model that is on-device means that the model can run and train locally without exposing data to hyperscalers.

結果 (繁體中文) 1:

支援設備端人工智慧的模型：與更小、更針對特定用例的模型的趨勢類似，混合人工智慧/設備端人工智慧希望以更低的成本提供可擴展性、效能和個人化，並具有本地部署的額外優勢/關於設備安全。如果模型大小和提示（即問題）低於某個閾值，則可以在設備上運行推理（目前估計參數超過 10 億，但最終預計參數超過 100 億的模型可以運行）。較大的模型可以使用混合方法跨裝置和雲端工作。讓生成式人工智慧功能更接近源頭還可以實現每個使用者的對齊和調整。隨著模型變得更加針對特定的使用者案例，設備上模型的額外好處意味著該模型可以在本地運行和訓練，而無需將資料暴露給超大規模企業。

結果 (繁體中文) 2:

 啟用設備上AI的模型：類似於更小、更多用例的趨勢
特定型號的混合人工智慧/設備上人工智慧希望提供可擴展性、效能，
以及以降低的成本實現個性化，同時新增了內部部署/設備內安全性的好處。 如果型號大小和提示（即問題）低於
閾值，則推斷可以在設備上運行（現時估計為>10億
參數，儘管超過100億的模型最終會起作用）。 較大
模型可以使用混合方法在設備和雲之間工作。
讓Generative AI功能更接近原始程式碼也可以實現每個用戶
對齊和調整。 隨著模型變得更加針對用戶情况
設備上的模型的好處意味著模型可以運行和訓練
而不將數據暴露給超標量。

結果 (繁體中文) 3:

支持設備上人工智能的型號:類似於更小、更實用的趨勢
具體型號，混合人工智能/設備上人工智能希望提供可擴展性、性能，
和個性化，以及on-premise/ondevice安全性的額外好處。如果模型大小和提示(即問題)低於某個值
閾值，則推斷可以在設備上運行(目前估計超過10億
參數，儘管超過100億的模型最終會起作用)。更大的
模型可以使用混合方法跨設備和雲工作。
將生成性人工智能能力帶到更接近源的地方也可以實現每用戶
校準和調諧。隨着模型變得越來越針對具體用戶，增加了
設備上模型的好處是模型可以運行和訓練
無需將數據暴露給超大規模數據。