量子化（Quantization）

ニューラルネットワークモデルのパラメータを32ビット浮動小数点数から8ビット整数などの低精度表現に変換する最適化技術。モデルサイズの削減、推論速度の向上、消費電力の低減を実現する。精度の低下を抑えつつ組込みデバイスへの実装を可能にする。

ニューラルネットワークの重みや計算に使う数値を、32ビットや16ビットの浮動小数点数から8ビットや4ビットの整数などの低いビット数の表現に変換して、モデルを軽量化する手法。メモリ使用量と計算量が減り、推論の高速化やスマートフォン・エッジ機器での実行が可能になる。学習後に変換するPTQと、量子化を前提に学習するQATがあり、ビット数を下げすぎると精度が落ちる。

モデルの軽量化の手法の一つで、ニューラルネットワークの重みや計算に使う数値を、32ビットの浮動小数点数から8ビットや4ビットの整数などの少ないビット数で表すこと。メモリ使用量と計算量を大きく減らせ、大規模言語モデルを端末で動かす際などに使われるが、精度がやや低下することがある。

学習済みのニューラルネットワークから、推論への寄与が小さい重みやユニット、チャネル、層を取り除いてモデルを軽量化する手法。個々の重みを0にする非構造化プルーニングと、チャネルや層の単位で除く構造化プルーニングがあり、後者は専用の仕組みがなくても推論を速くしやすい。精度の低下を抑えるため、除去の後に再学習（ファインチューニング）することが多い。

大きく高性能なモデル（教師モデル）の出力を手本にして、小さなモデル（生徒モデル）を学習させ、性能をなるべく保ったまま軽量化する手法で、知識蒸留ともいう。正解ラベルだけでなく、教師モデルが出す各クラスの確率の分布（ソフトターゲット）や生成した文章を学習させることで、クラス間の類似性などの知識も引き継げる。小規模言語モデルの作成に広く使われる。

大規模言語モデルに比べてパラメータ数を数億から数十億程度に抑えた言語モデル。蒸留や良質なデータの選別で性能を高めており、特定の業務や課題に絞ればLLMに近い精度を出せる。少ない計算資源で動き、応答が速く費用も低いので、スマートフォンや社内のサーバ（オンプレミス）で動かして、機密情報を外部に出さずに使う用途に向く。

AIの推論処理を、クラウドではなくカメラ、スマートフォン、産業機器などの端末側やその近くで実行する方式。応答が速く、通信が途切れても動作でき、映像などの生データを外部に送らずに済む。端末の計算資源が限られるため、モデルの軽量化やNPUなどの専用チップが用いられる。