不跟矽谷燒錢！資誠思略特（PwC）為日本 AI 指路：捨棄巨型 LLM，改推「小、專、在地」的 SLM 戰略。憑藉製造業與醫療的全民高品質數據，日本欲在 AI 賽道上演「小蝦米對抗大鯨魚」，用 90 分的成本打造 120 分的特化競爭力。
面對生成式人工智慧（Generative AI）技術所重塑的全球競爭格局，資誠思略特（PwC Intelligence）日前發布分析指出，日本欲在此浪潮中取得勝機，應聚焦開發「小型」、具「領域特化」能力，並能「在地部署」的小型語言模型（SLM）。此策略旨在發揮日本在高品質產業數據方面的獨特優勢，以應對美國與中國科技巨頭的龐大投資壓力。
PwC Intelligence 指出，生成式人工智慧與傳統搜尋模式不同，其核心能力在於能依據用戶意圖重構資訊，從根本上改變了資訊處理與運用方式。然而，大型語言模型（LLM）的開發需要巨額且持續的投資，目前由美國與中國的科技巨擘遙遙領先，他們每年投入數千億至數兆日圓規模的資金，並透過數億用戶基礎帶來的收益持續再投資，鞏固技術領先地位。相較之下，日本在生成式人工智慧領域的投資額僅為美中巨頭的十分之一甚至百分之一。
此外，生成式人工智慧模型會在使用過程中透過數據回饋不斷學習精進。由於日語的使用數據量相對於英語世界較少，這對日本而言構成結構性劣勢。因此，PwC Intelligence 建議，日本的機會在於發展小型語言模型（SLM）。這類模型的參數規模約在數億至數十億之間，所需運算資源相對較少，即便通用知識廣度不及大型語言模型，但在特定產業領域中，卻有潛力展現超越大型語言模型的實用性與精準度。
PwC Intelligence 強調，日本的數據資產雖然不以量取勝，但在質與多樣性方面表現卓越。例如，在製造業領域，從生產流程、不良品分析到熟練技工的經驗數據，皆有詳細且長期紀錄，甚至包括失敗案例。在醫療與健康照護方面，日本在全民健保制度下累積的診療報酬明細、臨床與影像數據，無論在廣度或可靠性上，皆具備全球領先水準。這些高品質的機密性專業數據，若能安全地用於訓練特化型小型語言模型，將能讓模型在特定領域獲得更深入且精確的知識。
該分析進一步說明，所謂「在地部署（Local）」模式，是指將人工智慧模型運行於企業內部伺服器或終端設備上，確保機密數據不需傳輸至外部雲端，從而保障資料安全。PwC Intelligence 總結，對於日本而言，「小型化、特化、在地部署」是發展生成式人工智慧最為現實且可持續的方向。