生成式ＡＩ，給邊端埋下大彩蛋

張慧娟

導語

隨著ＣｈａｔＧＰＴ 的風靡，生成式ＡＩ 不斷刷新熱度，隨之而來的是進一步的探索和落地嘗試。其中一個趨勢是，云端的機遇正傳導至邊緣和端側，給這些市場埋下一顆大彩蛋。

混合ＡＩ 的機遇

高通高級副總裁Ａｌｅｘ Ｋａｔｏｕｚｉａｎ 最近表示，高通正在從通信公司轉型為“智能邊緣計算”公司。他指出，“隨著連接設備和數據流量的加速增長，疊加數據中心成本攀升，（我們）不可能將所有內容都發送到云端?！?/p>

高通看到的機遇，其實也反映了ＡＩ 當下的兩大趨勢。

首先，不止云端，邊緣ＡＩ 也將成為必然趨勢。邊緣計算具有低時延、降低帶寬依賴、降低成本、數據可控、高可靠性等核心優勢，可與云端計算互補協同，是解決推理加速“最后一公里”的關鍵所在。

其次，“連接＋計算”的能力越來越關鍵。

在云端市場中，英偉達正在實現從計算到連接能力的突破，隨著模型參數的急劇膨脹、ＧＰＵ 要處理和傳輸的數據量飆升，英偉達通過升級ＮＶＬｉｎｋ 系統，賦予以太網ＡＩ 能力，使網絡連接技術邁上了新臺階。

在邊緣市場中，高通正在做類似的事情，不過與英偉達相反，它是從通信連接能力向算力進發。與英偉達在云端的計算能力相對應，高通在無線通信基帶、手機計算芯片市場，都占據領先地位。隨著“算力”成為ＡＩ 時代的寶貴資源，高通已經不滿足于通信市場，而是希望集“連接＋計算能力”于一身，從邊緣側進攻ＡＩ 大市場。

那么，高通在邊緣ＡＩ 市場主打什么戰略？ 目前看來，主要是云邊一體的混合ＡＩ 路徑。從高通已有的模型落地案例來看，其邊緣大模型相當于云端大模型的“感知器官”，從而實現ＡＩ 功能在終端設備的實現。

２０２３ 年２ 月，高通就利用ＡＩ 軟件棧執行了全棧的ＡＩ 優化，首次在Ａｎｄｒｏｉｄ 智能手機上部署了ＳｔａｂｌｅＤｉｆｆｕｓｉｏｎ。在這個場景中，用戶對著手機說話，自動語音識別ＡＩ 模型（如Ｗｈｉｓｐｅｒ）可以在手機設備上將語音轉換為文本，然后發送到云端，再由云端運行大模型，回發文本答案。

根據高通最近發布的混合ＡＩ 白皮書，上述場景就是一個典型的混合ＡＩ 場景。并且，在未來的進階版本中，設備端ＡＩ 可以承擔更多處理任務，通過與調度程序協作，可以基于上下文提供更個性化的提示給云端。例如，用戶要求通過手機預約最愛的餐廳和朋友吃飯，對簡單查詢、較小的模型可在設備上運行而無需云交互；如果用戶需要復雜信息，則本地將需求轉化為提示發給云端大模型并返回詳細答案。

高通認為，混合ＡＩ 主要有以下優點。

（１）經濟性：降低云端推理成本、高效利用邊緣算力、降低ＡＩ 應用開發門檻。

（２）能耗低：邊緣設備可以通過較低能耗運行大模型，若考慮處理和數據傳輸等因素，能耗節約更加顯著。

（３）可靠性：邊緣ＡＩ 不受網絡狀況影響，運行更加穩定。

（４）隱私性：數據完全在本地推理，大幅降低泄密風險。

（ ５）個性化：邊緣設備可以通過用戶真實生活中的行為、價值觀、痛點、需求、關注問題等信息，形成個人畫像，提供更為個性化服務。

預計到２０２３ 年，邊緣ＡＩ 將覆蓋１０ 億參數以下的各類模型。

為什么要在邊、端部署生成式ＡＩ？

目前，端、邊的市場需求已經足夠豐富，小到錄音筆、手機，大到ＡＤＡＳ 輔助駕駛、自動駕駛……各類應用都在響應ＡＩ 趨勢進行升級。那么，生成式ＡＩ 的落地現實嗎？ 有必要嗎？ 在與一些業內人士的交流中，他們已經看到了足夠的理由和空間。

比如，將Ｔｒａｎｓｆｏｒｍｅｒ 大模型應用在視覺領域，它將具有一定的畫面語意理解能力，有望解決以往的一些痛點。ＡＩ 數據和模型的部署流程通常是：采集數據—標注—訓練，那么，一旦出現沒見過的場景，或是某場景下的數據沒有標注過，就會導致應用效果大打折扣或無法落地。

以河道垃圾監測的視覺應用為例：當河道上出現了一種新垃圾，是之前數據標注／ 訓練沒有的。如果是以往的ＡＩ 系統就會無法識別，必須重新采集。但采用無監督訓練的大模型之后，無論出現什么樣新類型的垃圾，系統都能自主推理和判斷，大幅提高了效率和應用效果。

基于類似上述提升做出判斷，愛芯元智聯合創始人、副總裁劉建偉認為，一直以來，ＡＩ 落地標準化場景效果較好，而在一些通用場景，除非增加針對性的投入，才能進一步提升應用效果，但這同時意味著更高的成本，這成為ＡＩ 加速應用落地的主要困難。

從大模型帶來的改變來看，它能夠降低邊際場景的ＡＩ 成本，因為它不需要對長尾場景做專門的、從頭到尾的適配，通過部署預訓練的大模型就能達到比較好的效果，這將使ＡＩ 在端側和邊緣側的應用再上一個臺階。

安謀科技產品總監楊磊認為，ＣｈａｔＧＰＴ 等應用催生了對算力需求指數級的提升，而云端的需求早晚會傳導到端側，屆時，端側原有的ＣＰＵ 能力是不足以負擔的。此外，應用的需求也會越來越豐富，包括成本、性能、功能特性等核心指標?！昂茈y通過一種方案或一種架構去滿足所有，還是需要各類處理器的創新聯動，以更高的異構水平來滿足市場的訴求”，楊磊指出了異構加速平臺的發展機遇。

近年來，ＡＩ 已經廣泛應用于物聯網的各個垂直領域，包括零售、安全、能源和公共事業、供應鏈和資產管理等。而通過生成式ＡＩ 的發展，各類ＡＩｏＴ 應用在醞釀新一輪創新。

未來，智能終端接入大模型的方式將主要有：直接調用、大模型小型化后再調用，以及接入行業專屬大模型等。這些方式都將帶動邊緣和端側計算的成長，帶來使用體驗的提升，或將加速相關設備的更新迭代。以手機為例，當前正面臨消費者換機動力不足、總銷量下滑明顯的局面，而ＡＩ 大語言模型的小型化、輕量化，可望在終端應用中內嵌部署，帶來終端推理計算能力的提升，從而推動智能終端再升級。

低功耗設備積極擁抱大模型

如何在低功耗環境下，讓ＡＩ 更高效地運行———這是業界近幾年一直在探索的方向。不過，生成式ＡＩ展現的巨大潛力，正在加劇端側ＡＩ 市場的步伐，特別是已有成熟生態的動向值得關注。

幾周前，Ｇｏｏｇｌｅ Ｉ／ Ｏ 大會重點強調將把生成式ＡＩ引入Ａｎｄｒｏｉｄ 生態系統，微軟Ｂｕｉｌｄ 開發者大會也在談論將其引入Ｗｉｎｄｏｗｓ １１ 操作系統。

Ａｒｍ 最近發布２０２３ 全面計算解決方案（ＴＣＳ２３）時，Ａｒｍ 高級副總裁兼終端事業部總經理Ｃｈｒｉｓ Ｂｅｒｇｅｙ談到，未來將是一個“混合（Ｈｙｂｒｉｄ）的環境”，即大型語言模型在云端運行，但考慮到智能手機或其他計算設備在本地運行ＡＩ 的隱私和能源效率等問題，用戶更愿意在設備上運行較小的模型。這意味著，大語言模型將塑造計算的未來，現有計算平臺需要進一步提升ＡＩ 方面的工作負載適配。Ｃｈｒｉｓ Ｂｅｒｇｅｙ 認為，生成式ＡＩ 將給未來的智能手機生態系統帶來深遠影響。

這一趨勢已在Ａｒｍ ＴＣＳ２３ 中有所體現，主要包括：為滿足高性能、高能效、多線程用例的ＣＰＵ 集群設計，針對大數據流量的三級緩存和電源設計等，這些重大升級也將助推生成式ＡＩ 在端側的部署。

不止高通、谷歌、Ａｒｍ 對云端之外的市場表示重視，英特爾最近也分享了生成式ＡＩ 方面的動向和觀點。與之前“讓ＡＩ 無所不在”的方向一致，英特爾也強調了“讓生成式ＡＩ 無所不在”的觀點。

在搭載第１２ 代酷睿處理器的筆記本電腦上，英特爾展示了運行Ｓｔａｂｌｅ Ｄｉｆｆｕｓｉｏｎ 的效果，不需要任何獨立顯卡，直接利用集成顯卡就可以在二三十秒內生成一張圖片。也就是說，不需要任何特殊設備，不需要訪問云端，就可以將任意模型和算法直接部署到本地筆記本電腦上。當然，如果用戶有Ａｒｃ 獨立顯卡，那么速度可以更快，只要三四秒就可以生成一張圖片。

這個場景的獨特之處是：一方面在于基于異構計算來跑生成式ＡＩ；另一方面展示了低功耗ＰＣ 設備跑Ｓｔａｂｌｅ Ｄｉｆｆｕｓｉｏｎ 大模型、實現文生圖等生成式ＡＩ 的潛力。

在生成式ＡＩ 的普及方面，英特爾強調了端到端的計算能力。英特爾院士、大數據技術全球首席技術官戴金權認為，“為了實現ＡＩ 無所不在，計算也要無所不在。在通用的、無所不在的，甚至是消費級的計算上提供ＡＩ 能力，就真的可以做到ＡＩ、包括生成式ＡＩ 的無所不在?！?/p>

生成式ＡＩ 對軟硬件架構的影響？

邊緣ＡＩ 已經成為業界共識，而生成式ＡＩ 正在給邊緣帶來更大機會，業界對邊緣的理解也將進一步拓展。

不同于由超大型數據中心、智算中心等形式部署的云端算力，邊緣算力的部署方式隨著智能設備、邊緣數據中心的出現變得多樣化。邊緣計算可以是離模型推理發生處最近的算力，也可以是幫助云端算力進行預推理的算力。

生成式ＡＩ 對邊緣、端側軟硬件架構有哪些影響？ 戴金權認為，未來，一個很可能的場景就是生成式ＡＩ 被大量使用以提高工作效率，未來的工作流程進入自動化，這對軟硬件架構都帶來影響。

大模型當前基本以Ｔｒａｎｓｆｏｒｍｅｒ 架構作為基礎構件，它對內存的需求，包括內存帶寬、內存容量以及相應的計算需求，業界還在進行大量的研究，以便更好地進行加速。此外，對訓練、推理芯片的架構設計，以及對不同算法級別、不同場景的適配等，都會對ＡＩ 芯片甚至所有計算芯片帶來深遠影響。

未來，Ｔｒａｎｓｆｏｒｍｅｒ 等大模型可能會產生更大的尺寸，可能是今天的幾倍、幾十倍甚至更高，再結合多模態融合等需求，將會對軟件算法的設計，如低精度、低比特、壓縮、稀疏化，包括注意力機制設計等產生不同需求。未來，軟件算法設計的多樣化，是有助于滿足生成式ＡＩ 和大語言模型算力需求的重要組成部分。

寫在最后

從發展的眼光看，生成式ＡＩ 仍處于非常早期的階段， 在邊緣、端側的研究和落地探索也在初期。

除了邊緣、端側市場的主動擁抱，一些趨勢也在推動云邊端一體的生成式ＡＩ 布局。比如，ＡＩ 模型推理Ｔｏｋｅｎ 費用較高，如果需要成熟商用，邊緣預處理將是必選項。用戶的多樣化需求進行本地預處理后，簡單需求就可以直接利用本地模型和算力推理，復雜需求通過邊緣算力預處理后，可以精簡成最少的Ｔｏｋｅｎ 發送至云端，從而能夠以最低成本實現應用功能， 加速商業化。再如， 文中提到的Ａｎｄｒｏｉｄ，Ｗｉｎｄｏｗｓ，Ａｒｍ 等已有成熟生態的積極部署，也將加快生成式ＡＩ 向邊緣和端側市場的滲透速度。未來，它們都將成為生成式ＡＩ 體系中的重要部分，成為ＡＩ 連接萬物的毛細血管。