在当今人工智能技术飞速发展的时代，怎么快速且有效的搭建一个人工智能服务是每一家企业需要解决的问题之一。

人工智能是以网络服务的形式存在的，而一家企业或个人想搭建人工智能服务有哪几种实现的可能呢？

在这里总结了几种方式，每种方式都有自己的优势以及劣势，而且几种方式并不是完全独立的，也可以根据自己的情况把几种方式进行结合。

下面的几种方式是从易到难。

调用第三方大模型服务接口

这种方式最简单也最直接，开发者只需要在第三方平台注册一个开发者账号即可使用。比如openAI，通义千问，文心一言等大模型平台。

这种方式的优点是技术成本低，可以在完全不懂人工智能技术的情况下，有一个前端和后端就可以构建自己的人工智能应用。

缺点是有一定的接口使用成本，以及在对数据安全性要求比较高的情况下无法使用，以及在垂直领域可能表现较差。

使用开源大模型微调

这种方式就是使用一些开源的大模型，在其模型的基础之上使用自己的数据对大模型进行微调。比如lora，p-tuning等。

其优点是技术难度低，只需要懂得简单的机器学习技术即可，并且灵活方便，可以本地部署不依赖于第三方服务商，更加适合垂直领域的业务。

这种方式可以说没什么缺点，是大部分企业选择的方式。

完全自定义大模型

这种方式就是在有足够技术底蕴的情况下，可以完全独立设计和训练属于自己的大模型。比如openAI，谷歌，阿里云等巨头企业。

其优点是完全自定义，可以满足理论上任何业务场景，技术完全独立自主可控，可以在业务领域内进行最完善的适配。

缺点就是技术难度大，成本高，对大部分企业来说都是无法实现的。

大模型+本地知识库

这种方式可以说是在前面三种方式的基础上进行的强化，大模型可以选择前面三种的任何一种实现，不论是使用第三方，还是自定义或微调开源模型。

这种方式可以说是大数据技术和人工智能技术的结合，更多的是为了解决大模型天生的缺陷，那就是数据更新不及时，训练的数据都是之前的旧数据。

而有了本地知识库的加持，那么就可以让大模型有了一个资料库，只要这个资料库更新及时，那么大模型在垂直领域和数据时效性的问题都可以被解决。

优点是解决了大模型本身的缺陷，通过外挂知识库的方式，让大模型能力得到增强。

这种方式也可以说没什么缺点，或者说唯一的缺点就是选择的大模型好不好和本地知识库的数据是否丰富，并及时更新。

本地大模型+第三方服务

这种方式可以说是前面几种方式的结合，就是为了数据安全性问题，可以本地部署训练或微调大模型。然后把一些自己做的不好的或者做不到的功能，通过调用第三方服务来实现。

比如说，你是一个医疗领域内的人工智能应用，那么你可以专注于医疗模型的构建；但可以把一些常见咨询等功能，通过第三方服务来实现。

最后，对大部分企业来说，他们不会仅仅选择一种方式；而是自己把以上几种方式相结合，自己实现一部分，调用第三方一部分；这样既可以节省资金成本，也可以降低技术成本。

最后，把大模型作为后端服务，用户端通过网站，APP，小程序等形式展示给用户。

这也是现代企业最常见的哲学，合作共赢，专业的事交给专业的人，自己只需要负责自己的核心业务即可。