大模型应用新战场：揭秘终端侧AI竞争关键

声明:本文来自于微信公众号 量子位，作者:鱼羊，授权转载发布。

2024年过去2/3，大模型领域的一个共识开始愈加清晰:

AI技术的真正价值在于其普惠性。没有应用，基础模型将无法发挥其价值。

于是乎，回顾这大半年，从互联网大厂到手机厂商，各路人马都在探索AI时代Killer APP的道路上狂奔。这股风潮，也开始在学术会议中显露踪迹。

其中被行业、学术界都投以关注的一个核心问题就是:

在大模型“力大砖飞”的背景之下，AIGC应用要如何在手机等算力有限的终端设备上更丝滑地落地呢?

这段时间以来，ICML（国际机器学习大会）、CVPR(IEEE国际计算机视觉与模式识别会议)等顶会上的技术分享和入选论文，正在揭开更多细节。

是时候总结一下了。

先来看看，AI应用从云端迈向终端，现在进展到何种程度了。

目前，在大模型/AIGC应用方面，众多安卓手机厂商都与高通保持着深度合作。

在CVPR2024等顶会上，高通的技术Demo，吸引了不少眼球。

比如，在安卓手机上，实现多模态大模型（LLaVA）的本地部署:

△Qualcomm Research发布于YouTube

这是一个70亿参数级别的多模态大模型，支持多种类型的数据输入，包括文本和图像。也支持围绕图像的多轮对话。

就像这样，丢给它一张小狗的照片，它不仅能描述照片信息，还能接着和你聊狗狗适不适合家养之类的话题。

△量子位在巴塞罗那MWC高通展台拍摄的官方演示Demo

高通还展示了在安卓手机上运行LoRA的实例。

△Qualcomm Research发布于YouTube

以及音频驱动的3D数字人版AI助手——同样能在断网的情况下本地运行。

Demo原型既出，加之手机厂商们的魔改优化，对于普通用户而言，意味着其中展现的新玩法新可能，在咱们自个儿的终端设备上已经指日可待。

但在顶会上，更加受到关注的是，demo之外，高通的一系列论文们，还详细地揭开了应用背后需要重点布局的关键技术。

量化

其中之一，就是量化。

在手机等终端设备上部署大模型/AIGC应用，要解决的一大重点是如何实现高效能的推理。

而量化是提高计算性能和内存效率最有效的方法之一。并且高通认为，使用低位数整型精度对高能效推理至关重要。

高通的多项研究工作发现，对于生成式AI来说，由于基于Transformer的大语言模型受到内存的限制，在量化到8位（INT8）或4位(INT4)权重后往往能够获得大幅提升的效率优势。

其中，4位权重量化不仅对大语言模型可行，在训练后量化（PTQ）中同样可能，并能实现表现。这一效率提升已经超过了浮点模型。

具体来说，高通的研究表明，借助量化感知训练（QAT）等量化研究，许多生成式AI模型可以量化至INT4模型。

在不影响准确性和性能表现的情况下，INT4模型能节省更多功耗，与INT8相比实现90%的性能提升和60%的能效提升。

今年，高通还提出了一种名为LR-QAT（低秩量化感知训练）的算法，能使大语言模型在计算和内存使用上更高效。

LR-QAT受LoRA启发，采用了低秩重参数化的方法，引入了低秩辅助权重，并将其放置在整数域中，在不损失精度的前提下实现了高效推理。

在Llama2/3以及Mistral系列模型上的实验结果显示，在内存使用远低于全模型QAT的情况下，LR-QAT达到了相同的性能。

另外，高通还重点布局了矢量量化（VQ）技术，与传统量化方法不同，VQ考虑了参数的联合分布，能够实现更高效的压缩和更少的信息丢失。

编译

在AI模型被部署到硬件架构的过程中，编译器是保障其以性能和功耗高效运行的关键。

编译包括计算图的切分、映射、排序和调度等步骤。

高通在传统编译器技术、多面体AI编辑器和编辑器组合优化AI方面都积累了不少技术成果。

比如，高通AI引擎Direct框架基于高通Hexagon NPU的硬件架构和内存层级进行运算排序，在提高性能的同时，可以程度减少内存溢出。

硬件加速

终端侧的AI加速，离不开硬件的支持。

在硬件方面，高通AI引擎采用异构计算架构，包括Hexagon NPU、高通Adreno GPU、高通Kryo CPU或高通Oryon CPU。

其中，Hexagon NPU在今天已经成为高通AI引擎中的关键处理器。

以第三代骁龙8移动..为例，Hexagon NPU在性能表现上，比前代产品快98%，同时功耗降低了40%。

架构方面，Hexagon NPU升级了全新的微架构。与前代产品相比，更快的矢量加速器时钟速度、更强的推理技术和对更多更快的Transformer网络的支持等等，全面提升了Hexagon NPU对生成式AI的响应能力，使得手机上的大模型“秒答”用户提问成为可能。

Hexagon NPU之外，第三代骁龙8在高通传感器中枢上也下了更多功夫:增加下一代微型NPU，AI性能提高3.5倍，内存增加30%。

事实上，作为大模型/AIGC应用向终端侧迁移的潮流中最受关注的技术代表之一，以上重点之外，高通的AI研究布局早已延伸到更广泛的领域之中。

以CVPR2024入选论文为例，在生成式AI方面，高通提出了提高扩散模型效率的方法Clockwork Diffusion，在提高Stable Diffusion v1.5感知得分的同时，能使算力消耗降低32%，使得SD模型更适用于低功耗端侧设备。

并且不止于手机，针对XR和自动驾驶领域的实际需求，高通还研究了高效多视图视频压缩方法（LLSS）等。

在当前的热点研究领域，比如AI视频生成方面，高通也有新动作:

正在开发面向终端侧AI的高效视频架构。例如，对视频到视频的生成式AI技术FAIRY进行优化。在FAIRY阶段，从锚定帧提取状态。在第二阶段，跨剩余帧编辑视频。优化示例包括:跨帧优化、高效instructPix2Pix和图像/文本引导调节。

大模型应用是当下的大势所趋。而当应用发展的程度愈加深入，一个关键问题也愈加明朗:

应用创新的演进速度，取决于技术基座是否扎实牢固。

这里的技术基座，指的不仅是基础模型本身，也包括从模型量化压缩到部署的全栈AI优化。

可以这样理解，如果说基础模型决定了大模型应用效果的上限，那么一系列AI优化技术，就决定了终端侧大模型应用体验的下限。

作为普通消费者，值得期待的是，像高通这样的技术厂商，不仅正在理论研究方面快马加鞭，其为应用、神经网络模型、算法、软件和硬件的全栈AI研究和优化，也已加速在实践中部署。

以高通AI软件栈为例。这是一套容纳了大量AI技术的工具包，全面支持各种主流AI框架、不同操作系统和各类编程语言，能提升各种AI软件在智能终端上的兼容性。

其中还包含高通AI Studio，相当于将高通所有AI工具集成到了一起，包括AI模型增效工具包、模型分析器和神经网络架构搜索（NAS）等。

更为关键的是，基于高通AI软件栈，只需一次开发，开发者就能跨不同设备随时随地部署相应的AI模型。

就是说，高通AI软件栈像是一个“转换器”，能够解决大模型在种类繁多的智能终端中落地所面临的一大难题——跨设备迁移。

这样一来，大模型应用不仅能从云端走向手机端，还能被更快速地塞进汽车、XR、PC和物联网设备中。

站在现在的时间节点，人人都在期待改变世界的技术潮流翻腾出更汹涌的巨浪。

而站立潮头的弄潮儿们正在再次验证技术史中一次次被探明的事实:引领技术之先的人和组织，无不具备重视基础技术的“发明家文化”。

不止是追赶的技术趋势，更要提前布局，抢先攻克基本方案。

高通在《让AI触手可及》白皮书中同样提到了这一点:

高通深耕AI研发超过15年，始终致力于让感知、推理和行为等核心能力在终端上无处不在。

这些AI研究和在此之上产出的论文，影响的不仅是高通的技术布局，也正在影响整个行业的AI发展。

大模型时代，“发明家文化”仍在延续。

也正是这样的文化，持续促进着新技术的普及化，促进着市场的竞争和繁荣，带动起更多的行业创新和发展。

你觉得呢?