萧箫 整理自 MEET 2023
量子位 | 公众号 QbitAI

从Stable Diffusion到ChatGPT，这半年AI算法应用可谓突飞猛进。

但对于硬件领域而言，AI计算的下一个突破口或未来趋势究竟是什么？

尤其是AI应用最大的领域之一——移动端，大量AI算法在这里遭遇考验，也在这里部署落地。

作为移动硬件领域对终端侧AI最有话语权的芯片厂商之一，高通对于未来AI计算的发展方向是如何预测的？

在MEET2023智能未来大会上，高通技术公司产品管理高级副总裁Ziad Asghar分享了自己对于提升AI处理性能、以及未来AI计算发展方向的思考：

数据会不断从边缘侧产生，因此AI处理的重心正在持续向边缘转移。

边缘侧是进行AI处理的最佳选择。

为了完整体现Ziad Asghar的分享及思考，在不改变原意的基础上，量子位对他的演讲内容进行了编辑整理。

关于MEET智能未来大会：MEET大会是由量子位主办的智能科技领域顶级商业峰会，致力于探讨前沿科技技术的落地与行业应用。今年共有数十家主流媒体及直播平台报道直播了MEET2023大会，吸引了超过300万行业用户线上参会，全网总曝光量累积超过2000万。

演讲要点

• 数据会不断从边缘侧产生，因此AI处理的重心正在持续向边缘转移。

• 消费者希望有更好的数据隐私，所有的终端数据能够留在终端上，希望数据可靠，处理结果即时获取。因此，边缘侧是进行AI处理的最佳选择，而高通一直在推动这场变革。

• AI处理的最佳平台是智能手机，因为它随时随地可用，且人人都有、人人可用。

• 过去所有的AI推理都在云端进行，如今大量推理工作正在被转移至边缘侧完成。

• 终端侧的实际数据可能让模型的训练效果产生重要变化，同时提升其泛化能力。

• 自动驾驶领域充满挑战，它必须能高精度分辨人类和障碍物，否则后果不堪设想，这也恰好是AI的用武之地。

（以下为Ziad Asghar演讲实录整理）

AI处理下一阶段：边缘计算

今天我将和大家分享的主题是，高通如何让智能网联边缘（Connected Intelligent Edge）成为现实。

这几年来，我们的团队研发了不少前沿AI技术，也一直在不断提升终端侧的智能水平。

在此期间，我们“将很多不可能变成可能”，不仅打造了一些全新的应用案例，增强和改进了现有产品的体验，还通过AI技术提升了终端侧和产品的性能。

聚焦终端，我们会发现数据不断从边缘侧产生，因此我们认为，AI处理的重心正在持续向边缘转移。

主要有两方面原因：

一方面，消费者希望保护个人数据隐私，即将终端数据保留在终端设备上；另一方面，消费者又需要可靠的数据、并即时获得处理结果。

因此，边缘侧是进行AI处理的最佳选择，而高通一直在推动这场变革。

着眼当下，高通已经在智能手机领域取得了突破性的成果，也将不少AI算法应用到了影像、图形处理等功能中。

随着我们不断向前发展，这些技术还会被集成到XR眼镜、PC、物联网、汽车等产品当中，而这些产品也会应用更多AI技术，目的是带来更好的体验、突破更多瓶颈。

所以，高通究竟运用了哪些让产品脱颖而出的技术？

首先，高通专注于基于“统一的技术路线图”进行产品开发。

作为能够全面覆盖智能网联边缘、实现规模化扩展的技术，它涵盖了边缘AI、前沿的视觉效果和视觉技术、图形和游戏技术、新颖的多媒体效果、极快处理速度，以及5G连接能力等特性。

我们将这些技术进行规模化扩展，从耳机等较低复杂度的产品，一直延伸到汽车、ADAS系统等高复杂度的产品。

这张图片展示了AI技术的一系列应用场景，当然这还只是终端设备中的一小部分：

至于这些AI技术，则包含了自然语言处理、面部识别等多种不同的能力。

然后就是高通AI引擎了。得益于这一核心成果，目前高通的AI技术已经赋能20亿终端。

高通AI引擎包含图形处理单元、CPU、以及更关键的Hexagon处理器，其中Hexagon处理器又包含标量、向量和张量处理器。

如果从神经网络架构来看，你会发现标量、向量和张量处理器能很好地与神经网络模型的不同部分实现匹配，这正是我们模仿自然界的神经网络模型、从而打造Hexagon处理器的原因。

那么，高通AI引擎具体能做些什么？

根据一些基准测试数据，高通AI引擎表现十分出色，显著超越了同行产品性能。

从第一代骁龙8到第二代骁龙8，我们都非常专注于自然语言处理（NLP）、目标检测等模型的性能优化。

以MobileBERT模型为例。正如图片所展示，针对这个NLP模型，我们将处理速度提升了超过4倍：

我们还会持续优化性能、不断突破模型极限，在边缘侧实现更多能力。

此外，我们还开发了具有高度可扩展性的硬件架构。

高通的移动平台，通常会配置一个Hexagon处理器实例；但如果扩展到计算等其他业务时，也可以使用两个Hexagon处理器实例；面向汽车、云和边缘，则可以使用多个Hexagon处理器实例来提高算力。

但这也需要针对性地面向可扩展性进行开发。而高通已经具备这样的独特算法和架构，让这种技术成为可能。

从性能和能效角度来看（既定功耗下可以释放多少性能），我们已经多方面超越了竞争对手，这是基于过去几年积累的技术不断提升的成果。

例如根据性能基准测试AITuTu，在排名前十的AI平台性能列表中，骁龙平台就占据了前四名，包括第二代骁龙8、以及此前发布的第一代骁龙8、骁龙8+和骁龙888。

△数据来源：AITuTu

这其中甚至还有骁龙7系产品入榜，也是我们技术实力的体现之一。

如今，我们的目标是让AI无处不在——

因此，AI处理的最佳平台应该是智能手机，因为它随时随地可用，而且人人都有、人人能用。

如何提升端侧AI处理性能？

为了让AI在终端侧发挥最大作用，我们带来了哪些技术呢？

其中之一，是支持INT4精度推理。

相比于INT8，INT4能够实现60%的能效提升和90%的AI推理速度提升。如果从INT8转化到INT4、或从浮点计算转化到整数计算，在同样的算力下我们就能够处理更多数据。

如果把32位浮点模型转化为INT4模型，这个能效甚至可以提升到64倍。

这些是我们已经在边缘侧实现的技术。

可以看到，将模型从INT8转化为INT4时，推理精准度和画面质量均没有受到影响。这也得益于我们打造的前沿工具和软件，用它们能够让前沿技术与我们的硬件方案充分结合。

除了持续提升性能、并应用Hexagon处理器引擎以外，在芯片子系统中，我们还集成了一个小型、“始终在线”的引擎，称之为高通传感器中枢。

它能同时处理多路数据流，包括传感器、语音和音频、连接和始终感知的摄像头等，有了它我们就能实现更多应用案例。

实际上，我们将高通传感器中枢的AI能力提高了一倍，通过增加50%的存储，提升它安全方面的性能，包括人身安全、数据安全、健康等等。

举例来说，让它具备识别隐患声音的能力，比如半夜传来的玻璃破碎声，这样就能使用AI赋能的高通传感器中枢进行监测、并采取对应的预警措施。

通过高通传感器中枢，我们还能提升平台包括关键词识别、异常检测、图像分类能力在内的AI能力。从第一代骁龙8到第二代骁龙8，这些性能提升了近九倍。

如今，我们已经有了全面的解决方案，这里就包括业界领先的软件产品，高通AI软件栈。

高通AI软件栈能够实现“模型一次开发，跨所有高通产品线进行扩展”。也就是说，用户只需开发一次模型，就能在所有不同产品中使用它。

这不仅为高通、也为消费者和客户带来了独特体验，让他们真正感受到这项技术带来的便利。

高通AI软件栈支持所有主流框架，包括TensorFlow、PyTorch和ONNX等等，也提供数学库、编译器等全面的工具支持，让客户能够充分利用高通独特AI硬件的优势。

但正如我前面提到的，包括INT4在内的特性和体验，都需要特别的工具能力。因此，我们开发了全新的工具产品，即Qualcomm AI Studio。

如下面这个视频所示，Qualcomm AI Studio可以实现模型全面管理，包括模型创建、运行情况监测，模型分析等，从开发到运行实现全面支持。

这让我们能够充分发挥INT4的能力，给用户带来更好的体验。

下面这张图清晰展示了我们对于模型完整生命周期的规划，它可以被应用到我们所有的业务和产品线，成为高通产品中一种独特的优势。

我们还支持神经网络架构搜索（NAS）等功能和体验，它允许开发者设定某些模型优化目标，比如具体功耗优化、时延或者精准度等，同时我们还与谷歌就Google Vertex AI NAS展开了合作。

这些不同的产品线让我们大幅改善了时延、并显著提升精准度，下图的1.3%就是一个相当显著的精度提升。

OPPO率先与高通基于Vertex AI NAS展开了合作，提升终端AI的体验。

边缘AI下一步往哪走？

接下来的AI发展方向是什么？

过去所有的AI推理都在云端进行。如今，大量推理工作正在被转移至边缘侧终端完成。

下一步，就是实现完全的分布式AI，即转向终端侧学习的工作方式。这一点至关重要，正如我前面提到的，我们已经开始用AI模仿一些自然行为。

现在AI像人类一样具备一定的推理能力，能够区分图片中的皮肤、毛发、织物或布料，接下来我们还会持续提升推理能力，让终端更加智能。

但问题是，我们如今已能做到一定程度的终端侧学习，这能带来什么收益呢？

目前典型的模型训练方式，通常是基于一定数量的数据进行训练。但终端侧的实际测试数据，却可能让模型的训练效果发生重大变化。这就是终端侧学习能保持甚至提升精准度的原因，同时也能提升模型的泛化能力。

这也能让用户的终端体验变得更加个性化，远超当前终端侧所能实现的能力，而这正是我们在努力的方向，高通正在采取不同的方式实现这一点。

我们的研究团队关注了很多不同的研究方向，包括小样本学习、无监督持续学习、联邦学习和低复杂度的终端侧训练，我会对其中的部分研究方向进行介绍。

基于此大家可以看出，我们已经进入了第二阶段，在边缘进行终端侧学习时，需要做到极低的功耗。

以关键词识别为例，利用小样本学习就可以实现大幅提升，甚至在现实情况下，能让AI做到看完某一人的笔迹或者书面文字后，快速进行辨认。

我们也能做到在用户录入数据时进行局部模型适应，凭借非常少量的样本数据和出色的数据标记能力，大幅提升关键词识别的表现。

举例来说，当遇到说话有特定口音的用户时，针对异常值数据检测，借助小样本学习让关键词检测算法的检测率提升30%左右，让这个模型真正做到灵活运用。

我们探索的另一条路径是联邦学习。云端创建的模型被下发到边缘侧终端后，基于一定程度的离线学习，边缘侧终端就可以根据消费者实际情况调整模型。

同时，由于终端侧学习的过程会产生噪声，所以还能将之回传云端并进一步提升模型泛化能力。

举例来说，如果一辆汽车不断在多个不同国家、不同路况行驶，云端模型就可以持续进行适应，假以时日模型经过优化，就能够打造更优秀的自动驾驶汽车模型，这是我们通过打造平台，支持终端侧联邦学习的又一范例。

没错，包括出色的推理、机器学习或者INT4等能力在内，这些技术对于汽车同样大有用武之地。

汽车是一个充满挑战的独特领域，它的系统必须能够分辨人类和障碍物、并做到高精准度，否则后果将是灾难性的，这也恰好是AI技术的体现。

借助出色的5G能力，我们就能以超低时延将数据传输到终端，大幅提升安全性。

另一个AI落地的关键领域是元宇宙。

例如，用AR眼镜与周围世界互动时，要实现双手交互功能，就需要用到AI手势检测技术；同时，AR给平面上放置虚拟物体的功能，也需要将AI应用其中……还有不少地方也都会用到AI。

整体而言，我们非常高兴能够跨所有业务线，凭借业界领先的软硬件结合能力，以及高通AI软件栈和Qualcomm AI Studio，引领市场向着充分利用智能网联边缘的方向发展。

我坚信，目前我们所利用的终端侧AI能力只是冰山一角。

未来，终端侧AI需求还会变得越来越多，我们十分期待能够沿着这个方向继续推进，让智能网联边缘成为现实。

（最后，如果想回看大会全程，请点击阅读原文）