2371
生成式AI因ChatGPT的风靡不断刷新热度，随之而来的是进一步的探索和落地尝试。一个趋势是，云端的机遇正传导至边缘和端侧，给这些市场埋下一颗大彩蛋。
混合AI的机遇
高通高级副总裁Alex Katouzian最近表示，高通正在从通信公司转型为“智能边缘计算”公司。他指出，“随着连接设备和数据流量加速增长，叠加数据中心成本攀升，（我们）不可能将所有内容都发送到云端。”
高通看到的机遇，其实也反映了AI当下的两大趋势：
首先，不止云端，边缘AI成为必然趋势，边缘计算具有低时延、降低带宽依赖、降低成本、数据可控、高可靠性等核心优势，可与云端计算互补协同，是解决推理加速最后一公里的关键所在。
其次，“连接+计算”的能力越来越关键。
在云端市场，英伟达正在实现从计算到连接能力的突破，随着模型参数的急剧膨胀、GPU要处理和传输的数据量飙升，英伟达通过升级NVLink系统、赋予以太网AI能力，使网络连接技术攀上了新台阶。
在边缘市场，高通正在做类似的事情，不过与英伟达相反，它是从通信连接能力向算力进发。与英伟达在云端的计算能力相对应，高通在无线通信基带、手机计算芯片市场，都占据领先地位。随着“算力”成为AI时代的宝贵资源，高通已经不满足于通信市场，而是希望集连接+计算能力于一身，从边缘侧进攻AI大市场。
那么，高通在边缘AI市场主打什么战略？目前看来，主要是云边一体的混合AI路径。从高通已有的模型落地案例来看，其边缘大模型相当于云端大模型的“感知器官”，从而实现AI功能在终端设备的实现。
今年2月，高通就利用AI 软件栈执行了全栈的AI优化，首次在Android智能手机上部署了Stable Diffusion。在这个场景中，用户对着手机说话，自动语音识别AI模型（如Whisper）可以在手机设备上将语音转换为文本，然后发送到云端，再由云端运行大模型，回发文本答案。
来源：高通混合AI白皮书
根据高通最近发布的混合AI 白皮书，上述场景就是一个典型的混合AI场景。并且在未来的进阶版本中，设备端AI可以承担更多处理，通过与调度程序协作，可以基于上下文提供更个性化的提示给云端，例如：用户要求手机预约和朋友在最爱的餐厅吃饭，对简单查询、较小的模型可在设备上运行而无需云交互；如果用户需要复杂信息，则本地将需求转化为提示发给云端大模型并返回详细答案。
高通认为，混合AI主要有以下优点:
第一，经济性：降低云端推理成本、高效利用边缘算力、降低 AI 应用开发门槛；
第二，能耗低：边缘设备可以通过较低能耗运行大模型，若考虑处理和数据传输等因素，能耗节约更加显著；
第三，可靠性：边缘 AI 不受网络状况影响，运行更加稳定；
第四，隐私性：数据完全在本地推理，大幅降低泄密风险；
第五，个性化：边缘设备可以通过用户真实生活中的行为、价值观、痛点、需求、关注问题等信息，形成个人画像，提供更为个性化服务。
预计2023年，边缘AI将覆盖10 亿参数以下的各类模型。
为什么要在边、端部署生成式AI？
目前，端、边的市场需求已经足够丰富，小到录音笔、手机，大到ADAS辅助驾驶、自动驾驶……各类应用都在响应AI趋势进行升级。那么，生成式AI的落地，现实吗？有必要吗？在与一些业内人士的交流中，他们已经看到了足够的理由和空间。
比如将Transformer大模型应用在视觉领域，它将具有一定的画面语意理解能力，有希望解决以往的一些痛点。AI数据和模型的部署流程通常是：采集数据—标注—训练，那么，一旦出现没见过的场景，或是某场景下的数据没有标注过，就会导致应用效果大打折扣或无法落地。
以河道垃圾监测的视觉应用为例：当河道上出现了一种新垃圾，是之前数据标注/训练没有的。如果是以往的AI系统就会无法识别，必须重新采集。但有了采用无监督训练的大模型之后，无论出现什么样新类型的垃圾，系统都能自主推理和判断，大大提高了效率和应用效果。
基于类似上述提升做出判断，爱芯元智联合创始人、副总裁刘建伟认为，一直以来，AI落地标准化场景效果较好，而在一些通用场景，除非增加针对性的投入，才能进一步提升应用效果，但这同时意味着更高的成本，成为AI加速应用落地的主要困难。
从大模型带来的改变来看，它能够降低边际场景的AI成本，因为它不需要对长尾场景做专门的、从头到尾的适配，通过部署预训练的大模型就能达到比较好的效果，这将使AI在端侧和边缘侧的应用再上一个台阶。
安谋科技产品总监杨磊认为，ChatGPT等应用催生了对算力需求指数级的提升，而云端的需求早晚会传导到端侧，届时，端侧原有的CPU能力是不足以负担的。此外，应用的需求也会越来越丰富，包括成本、性能、功能特性等核心指标。“很难通过一种方案或一种架构去满足所有，还是需要各类处理器的创新联动，以更高的异构水平来满足市场的诉求”，杨磊指出了异构加速平台的发展机遇。
近些年来，AI已经广泛应用于物联网的各个垂直领域，包括零售、安全、能源和公共事业、供应链和资产管理等。而通过生成式AI的发展，各类AIoT应用在酝酿新一轮创新。
未来，智能终端接入大模型的方式将主要有：直接调用、大模型小型化后再调用、以及接入行业专属大模型等。这些方式都将带动边缘和端侧计算的成长，带来使用体验的提升，或将加速相关设备的更新迭代。以手机为例，当前正面临消费者换机动力不足、总销量下滑明显的局面，而AI大语言模型的小型化、轻量化，可望在终端应用中内嵌部署，带来终端推理计算能力的提升，从而推动智能终端再升级。
低功耗设备积极拥抱大模型
如何在低功耗环境下，让AI更高效地运行——这是业界近几年一直在探索的方向。不过，生成式AI展现的巨大潜力，正在加剧端侧AI市场的步伐，特别是已有成熟生态的动向值得关注。
几周前，Google I/O大会重点强调将把生成式AI引入安卓生态系统，微软Build开发者大会也在谈论将其引入Windows 11操作系统。
Arm最近发布 2023全面计算解决方案(TCS23)时，Arm高级副总裁兼终端事业部总经理Chris Bergey谈到，未来将是一个“混合(Hybrid)的环境”， 即大型语言模型在云端运行，但考虑到智能手机或其他计算设备在本地运行AI的隐私和能源效率等问题，用户更愿意在设备上运行较小的模型。这意味着，大语言模型将塑造计算的未来，现有计算平台需要进一步提升AI方面的工作负载适配。Chris Bergey认为，生成式AI将给未来的智能手机生态系统带来深远影响。
这一趋势已在Arm TCS23中有所体现，主要包括：为满足高性能、高能效、多线程用例的CPU集群设计，针对大数据流量的三级缓存和电源设计等等，这些重大升级也将助推生成式AI在端侧的部署。
不止高通、谷歌、Arm对云端之外的市场表示重视，英特尔最近也分享了生成式AI方面的动向和观点。与之前“让AI无所不在”的方向一致，英特尔也强调了“让生成式AI无所不在”的观点。
在搭载第12代酷睿处理器的笔记本电脑上，英特尔展示了运行Stable Diffusion的效果，不需要任何独立显卡，直接利用集成显卡就可以在二、三十秒内生成一张图片。也就是说，不需要任何特殊设备，不需要访问云端，就可以将任意模型和算法直接部署到本地笔记本上。当然，如果用户有Arc独立显卡，那么速度可以更快，只要三、四秒就可以生成一张图片。
这个场景的独特之处，一方面在于基于异构计算来跑生成式AI，另一方面展示了低功耗PC设备跑Stable Diffusion大模型、实现文生图等生成式AI的潜力。
在生成式AI的普及方面，英特尔强调了端到端的计算能力。英特尔院士、大数据技术全球首席技术官戴金权认为，“为了实现AI无所不在，计算也要无所不在。在通用的、无所不在的、甚至是消费级的计算上提供AI能力，就真的可以做到AI、包括生成式AI的无所不在。”
生成式AI对软硬件架构的影响？
边缘AI已经成为业界共识，而生成式AI正在给边缘带来更大机会，业界对边缘的理解也将进一步拓展。
不同于由超大型数据中心、智算中心等形式部署的云端算力，边缘算力的部署方式随着智能设备、边缘数据中心的出现变得多样化。边缘计算可以是离模型推理发生处最近的算力，也可以是帮助云端算力进行预推理的算力。
生成式AI对边缘、端侧软硬件架构有哪些影响？戴金权认为，未来，一个很可能的场景就是生成式AI被大量使用、提高工作效率，未来的工作流程进入自动化，这对软硬件架构都带来影响。
大模型当前基本以Transformer架构作为基础构件，它对内存的需求，包括内存带宽、内存容量以及相应的计算需求，业界还在进行大量的研究，以便更好地进行加速。此外，对训练、推理芯片的架构设计，以及对不同算法级别、不同场景的适配等等，都会对AI芯片甚至所有计算芯片带来深远影响。
未来，Transformer等大模型可能会产生更大的尺寸，可能是今天的几倍、几十倍甚至更高，再结合多模态融合等需求，将会对软件算法的设计，比如低精度、低比特、压缩、稀疏化，包括注意力机制设计等产生不同需求。未来，软件算法设计的多样化，是有助于满足生成式AI和大语言模型算力需求的重要组成部分。
写在最后
从发展的眼光看，生成式AI仍处于非常早期的阶段，在边缘、端侧的研究和落地探索也在初期。
除了边缘、端侧市场的主动拥抱，一些趋势也在推动云边端一体的生成式AI布局。
比如，AI 模型推理Token 费用较高，如果需要成熟商用，边缘预处理将是必选项。用户的多样化需求进行本地预处理后，简单需求就可以直接利用本地模型和算力推理，复杂需求通过边缘算力预处理后，可以精简成最少的Token发送至云端，从而能够以最低成本实现应用功能，加速商业化。
再比如，文中提到的安卓、Windows、Arm等已有成熟生态的积极部署，也将加速生成式AI向边缘和端侧市场的渗透速度。未来，它们都将成为生成式AI体系中的重要部分，成为AI连接万物的毛细血管。
下载ECAD模型
