大模型進(jìn)手機(jī)，軟件、硬件、生態(tài)全部不可或缺！

這年頭，安卓廠商沒個(gè)大模型，都不敢開手機(jī)發(fā)布會(huì)了。

前腳OPPO剛用大模型升級(jí)了語音助手，后腳vivo就官宣自研手機(jī)AI大模型;

小米發(fā)布會(huì)則直接將大模型當(dāng)場(chǎng)塞進(jìn)手機(jī)系統(tǒng)……其競(jìng)爭(zhēng)激烈程度，不亞于搶芯片首發(fā)。

到底是怎么回事?

究其原因，還是智能終端已經(jīng)成為了各類AIGC應(yīng)用的落地“新灘頭”。

先是圖像生成大模型接二連三地被塞進(jìn)手機(jī)，從十億參數(shù)的Stable Diffusion，在手機(jī)上快速生成一只金毛小狗：

△圖源油管Android Authority

到手機(jī)上運(yùn)行十五億參數(shù)的ControlNet，快速生成一張限定圖像結(jié)構(gòu)的AI風(fēng)景照：

隨后，文本生成大模型們也爭(zhēng)先恐后地推出了手機(jī)新應(yīng)用——

國(guó)內(nèi)有文心一言、智譜清言APP，國(guó)外則有OpenAI的移動(dòng)版ChatGPT，Llama 2手機(jī)版也在加急準(zhǔn)備中。

現(xiàn)在，這一波智能終端大模型熱潮之中，最底層的軟硬件技術(shù)齒輪開始轉(zhuǎn)動(dòng)。

從高通到蘋果，最新的芯片廠商發(fā)布會(huì)，無一不在強(qiáng)調(diào)軟硬件對(duì)機(jī)器學(xué)習(xí)和大模型的支持——

蘋果M3能運(yùn)行“數(shù)十億參數(shù)”機(jī)器學(xué)習(xí)模型，高通的驍龍X Elite和驍龍8 Gen 3更是已經(jīng)分別實(shí)現(xiàn)將130億和100億參數(shù)大模型裝進(jìn)電腦和手機(jī)。

并且這不僅僅是已支持或跑通的數(shù)字參數(shù)，而是實(shí)實(shí)在在到了可落地應(yīng)用的程度。

△高通現(xiàn)場(chǎng)演示和手機(jī)中的百億大模型對(duì)話

從十億到百億，更大參數(shù)的移動(dòng)端AI模型暗示了更好的體驗(yàn)，但也意味著一場(chǎng)更艱巨的挑戰(zhàn)——

或許可以將這樣機(jī)遇與挑戰(zhàn)并存的大模型時(shí)代，稱之為「模力時(shí)代」。

「模力時(shí)代」下，芯片廠商究竟要如何沖破大模型移植智能終端面臨的算力、體積和功耗等限制?

進(jìn)一步地，大模型的出現(xiàn)又給底層芯片設(shè)計(jì)帶來了哪些改變?

是時(shí)候掰開揉碎，好好分析一番了。

「模力時(shí)代」，硬件圍繞AI而生

從大模型風(fēng)暴刮起之初，算力就成為了科技圈的焦點(diǎn)話題。

就在最近，OpenAI還因?yàn)镈evDay后“遠(yuǎn)超預(yù)期”的大模型調(diào)用流量，出現(xiàn)了全線產(chǎn)品宕機(jī)的史上最大事故。

相比于云端，移動(dòng)終端的算力更為受限。想要把大模型裝進(jìn)手機(jī)，算力問題自然構(gòu)成了第一重挑戰(zhàn)。

計(jì)算單元之外，有限的內(nèi)存單元，是大模型進(jìn)手機(jī)面臨的第二道難關(guān)：大模型推理需要大量計(jì)算資源做支撐，與此同時(shí)，內(nèi)存大小決定了數(shù)據(jù)處理速度的上限以及推理的穩(wěn)定性。

另外，在手機(jī)上跑大模型，也給電池帶來了更大的壓力。因此芯片能耗成為一大關(guān)鍵。

在各大廠商的最新探索之中，我們可以觀察到，解決之道目前分為軟、硬兩路。

先來看硬件部分。

高通最新推出的第三代驍龍8移動(dòng)平臺(tái)，就被定位為高通“首個(gè)專門為生成式AI打造的移動(dòng)平臺(tái)”：

能夠在終端側(cè)運(yùn)行100億參數(shù)大模型，面向70億參數(shù)大語言模型，每秒能生成20個(gè)token。

較之前代產(chǎn)品，第三代驍龍8最重要的變化，就是驅(qū)動(dòng)終端側(cè)AI推理加速的高通AI引擎。

這個(gè)AI引擎由多個(gè)硬件和軟件組成，包括高通Hexagon NPU、Adreno GPU、Kryo CPU和傳感器中樞。

其中最核心、與AI最密切相關(guān)的，是Hexagon NPU。

高通公布的數(shù)據(jù)顯示，Hexagon NPU在性能表現(xiàn)上，比前代產(chǎn)品快98%，同時(shí)功耗降低了40%。

具體而言，Hexagon NPU升級(jí)了全新的微架構(gòu)。更快的矢量加速器時(shí)鐘速度、更強(qiáng)的推理技術(shù)和對(duì)更多更快的Transformer網(wǎng)絡(luò)的支持等等，全面提升了Hexgon NPU對(duì)生成式AI的響應(yīng)能力，使得手機(jī)上的大模型“秒答”用戶提問成為可能。

Hexagon NPU之外，第三代驍龍8在Sensing Hub(傳感器中樞)上也下了功夫：增加下一代微型NPU，AI性能提高3.5倍，內(nèi)存增加30%。

值得關(guān)注的是，官方提到，Sensing Hub有助于大模型在手機(jī)端的“定制化”。隨時(shí)保持感知的Sensing Hub與大模型協(xié)同合作，可以讓用戶的位置、活動(dòng)等個(gè)性化數(shù)據(jù)更好地為生成式AI所用。

而在內(nèi)存方面，第三代驍龍8支持LPDDR5X，頻率從4.2GHz提高到了4.8GHz，帶寬77GB/s，最大容量為24GB。

更快的數(shù)據(jù)傳輸速度，更大的帶寬，也就意味著第三代驍龍8能夠支持更大更復(fù)雜的AI模型。

并且，此番高通在內(nèi)存和Hexagon NPU矢量單元之間增加了直連通道，進(jìn)一步提高了AI處理效率。

恰逢驍龍峰會(huì)期間，SK海力士還特別宣布，其產(chǎn)品LPDDR5T已經(jīng)在高通第三代驍龍8上完成了性能及兼容性驗(yàn)證，速度達(dá)到9.6Gbps。由此看來，搭載第三代驍龍8的手機(jī)在內(nèi)存方面還有更多的選擇。

除此之外，在CPU方面，第三代驍龍8采用“1+5+2”架構(gòu)(1個(gè)主核心、5個(gè)性能核心和2個(gè)能效核心)，相較于前代的“1+4+3”，將1個(gè)能效核心轉(zhuǎn)換為性能核心。其中超大核頻率提升到3.3GHz，性能核心頻率提升到最高3.2GHz，能效核心頻率提升到2.3GHz。

新架構(gòu)下，Kryo CPU性能提高了30%，功耗降低了20%。

GPU方面，第三代驍龍8則在性能和能效方面均實(shí)現(xiàn)25%的提升。

值得一提的是，AI引擎之外，第三代驍龍8的ISP、調(diào)制解調(diào)器等其他模塊，也已根植AI基因。

現(xiàn)在，高通的認(rèn)知ISP是醬嬸的：

支持多達(dá)12層的照片/視頻幀實(shí)時(shí)語義分割;

融合生成式AI技術(shù)，支持聲控拍照和視頻編輯;

支持利用AI技術(shù)從視頻中刪除不需要的人和物;

支持AI擴(kuò)展照片;

……

調(diào)制解調(diào)器同樣有5G AI處理器的加持：通過分析信號(hào)完整性和信噪比，AI能夠改善無線帶寬、延遲等性能指標(biāo)。

由此看來，在大模型進(jìn)手機(jī)的過程中，行業(yè)領(lǐng)軍者的硬件解決之道可以從兩方面來總結(jié)：

其一，是針對(duì)算力、內(nèi)存、能耗三要素的性能提升和功耗平衡。

其二，是用AI來定義硬件，跟AI技術(shù)本身做更深層的結(jié)合。

不過，雖說硬件技術(shù)能解決大模型移植到智能終端的關(guān)鍵難點(diǎn)，但要想讓它真正落地應(yīng)用，仍需要邁過另外一重門檻。

降低大模型軟件開發(fā)門檻

這道門檻，具體可以分解為兩個(gè)問題：

技術(shù)更新、體積更大的模型，如何快速實(shí)時(shí)地裝進(jìn)手機(jī)?

裝進(jìn)手機(jī)后，又要如何快速裝進(jìn)手機(jī)以外的智能終端?

要想解決這兩大問題，就不能僅僅從硬件側(cè)入手，而同樣要在軟件開發(fā)上做好準(zhǔn)備。

首先，需要先增強(qiáng)智能終端對(duì)不同大模型的適配能力，即使是架構(gòu)算法存在差異也同樣能裝進(jìn)手機(jī)。

即使最新大模型體積超出預(yù)期，也要能確保在不影響性能的情況下，將之應(yīng)用到智能終端。

這里依舊以高通為例。

從最早在手機(jī)上運(yùn)行10億參數(shù)Stable Diffusion，到快速基于驍龍8 Gen 3適配百億參數(shù)大模型，背后實(shí)際上還離不開一類軟件能力——

AI壓縮技術(shù)。

最新的AI壓縮技術(shù)，從高通今年發(fā)表在AI頂會(huì)上的幾篇論文可以窺見一斑。

像是這篇被NeurIPS 2023收錄的論文，就針對(duì)當(dāng)前大模型的“基石”Transformer架構(gòu)進(jìn)行了量化相關(guān)的研究。

量化是壓縮AI模型的一種經(jīng)典方法，然而此前在壓縮Transformer模型的時(shí)候，容易出現(xiàn)一些問題。

這篇論文提出了兩種方法來對(duì)Transformer模型進(jìn)行量化，在確保壓縮效果的同時(shí)，進(jìn)一步提升模型輸出性能，確保模型看起來“更小更好”。

然后，還需要增強(qiáng)大模型軟件在不同軟件終端之間的通用性，進(jìn)一步加速落地。

對(duì)于大模型而言，從一個(gè)硬件設(shè)備遷移到另一個(gè)硬件設(shè)備，并沒有想象中那么容易。

不同的計(jì)算平臺(tái)之間，硬件的配置往往差異很大，電腦上能運(yùn)行的大模型，放到手機(jī)上還真不一定就能立刻運(yùn)行。

而這也正是阻礙大模型在種類繁多、部件繁雜的智能終端落地的另一重原因。

對(duì)此，高通的準(zhǔn)備是一個(gè)“轉(zhuǎn)換器”一樣的角色：高通AI軟件棧。

這是一套容納了大量AI技術(shù)的工具包，全面支持各種主流AI框架、不同操作系統(tǒng)和各類編程語言，能提升各種AI軟件在智能終端上的兼容性。

不僅如此，這套軟件棧還包含高通AI Studio，相當(dāng)于將高通的所有AI工具集成到一起，直接進(jìn)行可視化開發(fā)。

其中，如AI模型增效工具包、模型分析器和神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索(NAS)等都在里面。

AI軟件只需要在里面從設(shè)計(jì)、優(yōu)化、部署到分析“走一趟流程”，就能快速轉(zhuǎn)換成在其他操作系統(tǒng)和平臺(tái)上也可以運(yùn)行的軟件產(chǎn)品。

只需要一次開發(fā)，甚至是大模型軟件的開發(fā)，就能讓它在多個(gè)平臺(tái)運(yùn)行，不需要擔(dān)心適配的問題，像Stable Diffusion就已經(jīng)部署到其中，其他平臺(tái)也同樣可以隨取隨用了。

這樣一來，不僅僅是將百億參數(shù)大模型塞進(jìn)手機(jī)，甚至還能將它塞進(jìn)汽車、XR、PC和物聯(lián)網(wǎng)。

原本的設(shè)備類型繁多的缺點(diǎn)也能化為優(yōu)勢(shì)，進(jìn)一步加速大模型軟件的落地。

總結(jié)來看，大模型移植到智能終端所需的技術(shù)，不僅是硬實(shí)力，軟件上也同樣需要有所儲(chǔ)備。

所以，對(duì)于在大模型時(shí)代下蓄勢(shì)待發(fā)的移動(dòng)端軟硬件廠商而言，究竟如何才能抓住這次難得的機(jī)遇?

或者說，各廠商要如何提前做好準(zhǔn)備，才能確保大模型時(shí)代依舊屹立于技術(shù)浪潮之巔?

大模型時(shí)代需要怎樣的終端芯片

一個(gè)時(shí)代有一個(gè)時(shí)代的計(jì)算架構(gòu)。

深度學(xué)習(xí)時(shí)代是如此，計(jì)算攝影時(shí)代是如此，大模型時(shí)代依舊如此——

無論軟硬件，「模力時(shí)代」下的智能終端芯片評(píng)判標(biāo)準(zhǔn)已經(jīng)悄然生變。

一方面，對(duì)于硬件性能而言，芯片已經(jīng)從單純的硬件性能對(duì)比、算力較量、功耗計(jì)算，逐漸轉(zhuǎn)變成對(duì)AI算力的比拼，甚至是對(duì)AI軟硬件技術(shù)能力的全面要求。

這種轉(zhuǎn)變，從大模型廠商巨頭的技術(shù)儲(chǔ)備棧變化可以窺見一斑。

以微軟為例，這家科技巨頭和云廠商，近期開始注重起AI軟硬件結(jié)合的技術(shù)，如大模型訓(xùn)練等。

在微軟前不久的一篇訓(xùn)練研究中，就系統(tǒng)闡述了大模型在FP8精度下訓(xùn)練的效果，能在同樣硬件成本下，訓(xùn)練更大規(guī)模的大模型、同時(shí)確保訓(xùn)練出來的模型性能。

△圖源論文FP8-LM: Training FP8 Large Language Models

以AI算法研究著稱的OpenAI，則被曝出有造芯的意向，開始朝硬件方向的技術(shù)發(fā)力。

顯然，從不同科技巨頭最新研究中能看出，在這個(gè)技術(shù)日新月異的時(shí)代，手握一張底牌就能抓住機(jī)遇、打出自身價(jià)值的概率，正變得越來越低。

如果還停留在“硬件公司造好芯、軟件公司做好算法”的階段，勢(shì)必只會(huì)被其他虎視眈眈的廠商超過，在「模力時(shí)代」失去已有的競(jìng)爭(zhēng)力。

反觀硬件場(chǎng)景有優(yōu)勢(shì)的芯片公司，亦是如此。

除了硬件性能的提升以外，與時(shí)俱進(jìn)擴(kuò)展軟件技術(shù)棧、提升軟硬件結(jié)合的AI能力，同樣不可或缺。

高通在前陣子推出的白皮書中就提到，將大模型部署到個(gè)人智能終端上，不僅要考慮硬件，也同樣需要考慮模型個(gè)性化、計(jì)算量等問題。

但相比等待大模型廠商去解決這些問題，高通選擇自己在軟件方面進(jìn)行研究，最新成果也同樣實(shí)時(shí)寫成論文分享出來。

只有這樣，才能更好地了解算法軟件側(cè)對(duì)于硬件的需求，從而更好地提升芯片的性能。

另一方面，對(duì)于算力更受限、用戶范圍更廣的終端而言，未來的趨勢(shì)必然是無縫互聯(lián)。這就意味著，跨平臺(tái)適用性會(huì)成為AI解決方案的關(guān)鍵。

這種動(dòng)向，從今年的驍龍峰會(huì)上發(fā)布的Snapdragon Seamless技術(shù)就能窺見一斑。

像是將平板上的照片，用鼠標(biāo)就能“一鍵平移”到PC，在電腦上進(jìn)行快速處理：

處理完畢后，還能將照片在另一個(gè)設(shè)備上打開，并用PC的鍵盤給它重命名：

即使只有一個(gè)設(shè)備擁有鍵盤和鼠標(biāo)，也能對(duì)各類設(shè)備進(jìn)行無縫控制，甚至讓AI軟件也無障礙在各個(gè)設(shè)備之間連接使用。

對(duì)于數(shù)據(jù)傳輸延遲不是問題的未來而言，打通多終端協(xié)作和互聯(lián)，勢(shì)必是智能終端的下一個(gè)未來：

不僅手機(jī)和PC等不同的終端設(shè)備之間可以共享數(shù)據(jù)、更可能讓同一套設(shè)備在不同的操作系統(tǒng)之間完成一系列流暢操作，像是手機(jī)和PC的音頻在耳機(jī)之間無縫切換：

之前只有在手機(jī)上能使用的AI應(yīng)用，有了這套系統(tǒng)就能擴(kuò)展到千萬臺(tái)智能終端設(shè)備上，包括PC、XR、平板和汽車。

這樣一來，大模型就不再會(huì)受限于某一臺(tái)設(shè)備、或是某一個(gè)操作系統(tǒng)，而是能快速將已經(jīng)在一類終端中實(shí)現(xiàn)的AI能力快速套用到更多設(shè)備中，最終實(shí)現(xiàn)“萬物皆可大模型”的操作。

總結(jié)來看，在大模型時(shí)代下，AI廠商不僅需要具備軟硬件結(jié)合的能力，更需要提前布局智能終端萬物互聯(lián)的未來，以「連接」技術(shù)加速大模型在場(chǎng)景下的落地應(yīng)用。

高通已經(jīng)給出了自己的行動(dòng)路徑。

對(duì)于其他不同企業(yè)而言，依舊要在場(chǎng)景中探索自身的價(jià)值，才可能在「模力時(shí)代」下找到新的出路。

(本文轉(zhuǎn)載自量子位公眾號(hào))

審核編輯 黃宇