贾扬清在AI社区内探讨了AI模型规模的争议，指出在快速迭代的模型市场中，如何最大化LLM模型的商业价值成为关键问题。Toby Pohlen认为，随着模型以指数级速度改进，训练模型的价值会迅速折旧，促使企业需在模型更新前迅速获取商业价值。贾扬清用感恩节火鸡促销类比，强调快速销售的重要性。他提到，行业趋势转向研发尺寸更小、性能强大的模型，7B-70B之间的中小型模型在商业领域更具吸引力。 贾扬清回顾了CNN模型发展历史，从AlexNet开启的大规模增长，到VGGNet、SqueezeNet追求小型化，再到ResNet等注重平衡的模型，展示了模型从小到大再到更高效的发展路径。他还强调了MobileNet在保持小尺寸的同时，具有卓越性能的特点。通过对比CNN的发展，贾扬清提出了LLM模型未来是否也将遵循相似趋势的问题。 贾扬清分析了大型模型的成本问题，指出虽然小型模型在成本和应用便利性上有优势，但大型模型的成本较高。他通过计算表明，通过批量处理提高吞吐量，结合合理的流量管理和计费策略，大型模型在合理流量下是可以实现盈利的。贾扬清的分析不仅为AI模型规模的选择提供了理论依据，也为AI基础设施创业者如贾扬清的商业模式提供了思考方向。 总之，贾扬清的讨论聚焦于AI模型规模选择的经济考量，结合历史模型发展经验与当前市场趋势，为AI领域的创业者和从业者提供了有价值的洞见。