จากประสบการณ์การใช้งานและวิจัยเกี่ยวกับ Large Language Models (LLM) พบว่าปัจจัยสองอย่างที่มีผลต่อความฉลาดของโมเดลคือ ขนาดของโมเดล (จำนวนพารามิเตอร์) และขนาดของชุดข้อมูลที่ใช้ฝึกอบรม การเพิ่มจำนวนพารามิเตอร์ เช่น โมเดลที่มีสิบหรือร้อยพันล้านพารามิเตอร์ (B) สามารถช่วยให้โมเดลสามารถจับความซับซ้อนในการประมวลผลภาษาได้ดีขึ้น แต่ในขณะเดียวกัน ปริมาณและความหลากหลายของข้อมูลฝึกก็มีความสำคัญไม่น้อย เพราะข้อมูลที่มากและครอบคลุมช่วยให้โมเดลเรียนรู้ได้กว้างและลึกมากขึ้น ในแง่การใช้งานจริง แรมกราฟิก (VRAM) ขนาด 8GB ก็สามารถรองรับการใช้งาน Local AI ได้บ้าง แม้จะไม่เทียบเท่ากับคลาวด์ขนาดใหญ่ แต่ก็เหมาะสำหรับผู้ที่ต้องการทดลองหรือใช้งาน AI ในเครื่องคอมพิวเตอร์ส่วนตัว จากประสบการณ์ส่วนตัว การจัดสมดุลระหว่างโมเดลขนาดใหญ่กับชุดข้อมูลคุณภาพสูงเป็นกุญแจสำคัญ และการเลือกฮาร์ดแวร์ที่เหมาะสมเช่น GABYTE หรือ IWIDIA ช่วยให้การประมวลผล AI มีประสิทธิภาพมากขึ้น สำหรับผู้ที่สนใจประกอบคอมเพื่อใช้กับ AI และงานประมวลผลภาษาธรรมชาตินี้ การวางแผนสเปคให้เหมาะสมกับโมเดลและข้อมูลที่ใช้จะช่วยพัฒนาประสิทธิภาพและลดงบประมาณได้อย่างมีประสิทธิผล สรุปคือ ทั้งขนาดโมเดลและข้อมูลต่างมีบทบาทสำคัญ และแต่ละปัจจัยต้องถูกออกแบบและจัดการอย่างสมดุลเพื่อให้ได้ผลลัพธ์ที่ดีที่สุดในการพัฒนาและใช้งาน LLM