为什么要选择使用本地部署的LLM大模型？

运行大型语言模型（LLMs），如ChatGPT和Claude，通常需要将数据发送到由OpenAI和其他AI模型提供商管理的服务器。

虽然这些服务是安全的，但一些企业为了更高的隐私，倾向于完全将数据保留在本地，并处于与外界网络离线状态。

那为什么选择使用本地LLM呢？

隐私： 可以在不离开本地服务器主机的情况下多轮次地提示本地LLMs，而无需担心提示数据被外传。

通常情况下，任何公司会尽量避免在不必要时将数据分享给他人，尤其是当数据涉及员工或工作敏感信息时。

尽管在OpenAI的数据保留政策中，他们并不保证不会查看贵公司的数据。但你希望OpenAI使用你的数据训练出的模型卖回给你吗？

通常数据隐私和安全是使用本地LLMs的关键原因。

大模型参数定义的灵活性： 本地LLMs提供高级配置选项，包括CPU线程、温度、上下文长度、GPU设置等，类似于OpenAI的playground。

可以根据自己的具体需求调整LLM，尝试不同的设置，并将其整合到现有的基础设施中。

由于LLMs是无状态的，可以随时在HuggingFace上提供的50万个模型中进行切换。因此，为企业不同的任务使用不同的模型。

模型增强： 虽然专有的LLMs（如GPT-4）在性能上可能优于本地开源模型（如Llama2或Mixtral等），但根据排行榜，这些基准任务可能并不适用于企业的具体任务或领域。

因此，企业可以轻松微调这些模型，以在特定任务上获得更好的表现。

由于开源开发比商业开发更加灵活，本地推理框架可以提供尚未在商业服务中提供的前沿功能等。

尽管通过检索增强生成（RAG）来可以管理模型、提示、内存和外部知识，但这需要定制开发。不过，随着越来越多的开源解决方案将这些组件抽象化，这也变得越来越容易。

离线支持： 即使与外界网络在离线状态下，也可以加载和连接大型语言模型。使用专有LLM需要互联网连接，而本地托管的LLMs可以在“离线模式”下运行，即使没有互联网或专有服务关闭，也可以继续使用。

如果这些外部网络服务中断，本地LLMs依然具备弹性。

连接性： 有时连接像OpenAI这样的云服务可能会出现信号差和连接不畅的情况。因此，本地托管的LLMs在响应时间上更加稳定和可预测。

根据本地LLMs所配置的硬件、模型选择和网络情况，本地LLM的延迟响应可能比调用商业LLM的API更快。

支持与安全性： 它们提供类似于OpenAI或Claude的支持和安全性。

订阅和成本： 通过使用本地LLMs，无需支付订阅费用或API调用费用。另一个与专有LLM相关的问题是供应商锁定。企业会始终受制于提供商更改定价政策的决定。

作为本地LLMs用户，虽然由于高RAM和CPU使用率增加了电费，但电费的增加，相较于专有LLM的订阅费用或API调用费用依然可能节省了开支。

对于企业LLM的商业化用途，转向本地LLM更有意义。按token付费的方式无法满足企业的规模需求，只适用于概念验证或回报率极高的用例。即便模型响应更好，API调用的费用增加也会导致较低的投资回报率。更不用说在专有大模型云平台上进行微调的高昂成本。

如果使用OpenAI的模型和库开发生成式AI应用程序，在Ollama的最新更新中，可以重用现有的OpenAI代码，只需将模型API切换为调用本地托管的LLM模型即可。

充分发挥LLMs的创造力： 大家可能已经注意到，专有模型由于为了减少有害和恶意的回应，往往经过了高度的审查、限制，并且存在偏见。

所以经常会看到类似“作为由OpenAI创建的大型语言模型……”的回应，以及“需要注意的是……”等警告性提示。这本质上并不是坏事，但有时候即使任务看似合理，LLM也可能拒绝执行，或者它可能根本无法对某些话题进行推断。

通过使用本地LLMs，可以在所有话题上获得更加富有创造性、有用且无偏见的回应。

因此，总结说来，应用本地LLM使得模型应用开发更加富有创造力，增强了数据隐私和定制化功能，同时也带来了显著的成本降低。

随着大模型的持续爆火，各行各业都在开发搭建属于自己企业的私有化大模型，那么势必会需要大量大模型人才，同时也会带来大批量的岗位？“雷军曾说过：站在风口，猪都能飞起来”可以说现在大模型就是当下风口，是一个可以改变自身的机会，就看我们能不能抓住了。

那么，我们该如何学习大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一、大模型全套的学习路线

学习大型人工智能模型，如GPT-3、BERT或任何其他先进的神经网络模型，需要系统的方法和持续的努力。既然要系统的学习大模型，那么学习路线是必不可少的，下面的这份路线能帮助你快速梳理知识，形成自己的体系。

L1级别:AI大模型时代的华丽登场

L2级别：AI大模型API应用开发工程

L3级别：大模型应用架构进阶实践

L4级别：大模型微调与私有化部署

一般掌握到第四个级别，市场上大多数岗位都是可以胜任，但要还不是天花板，天花板级别要求更加严格，对于算法和实战是非常苛刻的。建议普通人掌握到L4级别即可。

以上的AI大模型学习路线，不知道为什么发出来就有点糊，高清版可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

以上的AI大模型学习资料，都已上传至CSDN，需要的小伙伴可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。