這年頭，安卓廠商沒個大模型，都不敢開手機發(fā)布會了。
前腳OPPO剛用大模型升級了語音助手，后腳vivo就官宣自研手機AI大模型;
小米發(fā)布會則直接將大模型當(dāng)場塞進手機系統(tǒng)……其競爭激烈程度，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手機，從十億參數(shù)的Stable Diffusion，在手機上快速生成一只金毛小狗：
△圖源油管Android Authority
到手機上運行十五億參數(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先恐后地推出了手機新應(yīng)用——
國內(nèi)有文心一言、智譜清言APP，國外則有OpenAI的移動版ChatGPT，Llama 2手機版也在加急準備中。
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。
從高通到蘋果，最新的芯片廠商發(fā)布會，無一不在強調(diào)軟硬件對機器學(xué)習(xí)和大模型的支持——
蘋果M3能運行“數(shù)十億參數(shù)”機器學(xué)習(xí)模型，高通的驍龍X Elite和驍龍8 Gen 3更是已經(jīng)分別實現(xiàn)將130億和100億參數(shù)大模型裝進電腦和手機。
并且這不僅僅是已支持或跑通的數(shù)字參數(shù)，而是實實在在到了可落地應(yīng)用的程度。
△高通現(xiàn)場演示和手機中的百億大模型對話
從十億到百億，更大參數(shù)的移動端AI模型暗示了更好的體驗，但也意味著一場更艱巨的挑戰(zhàn)——
或許可以將這樣機遇與挑戰(zhàn)并存的大模型時代，稱之為「模力時代」。
「模力時代」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?
進一步地，大模型的出現(xiàn)又給底層芯片設(shè)計帶來了哪些改變?
是時候掰開揉碎，好好分析一番了。
「模力時代」，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話題。
就在最近，OpenAI還因為DevDay后“遠超預(yù)期”的大模型調(diào)用流量，出現(xiàn)了全線產(chǎn)品宕機的史上最大事故。
相比于云端，移動終端的算力更為受限。想要把大模型裝進手機，算力問題自然構(gòu)成了第一重挑戰(zhàn)。
計算單元之外，有限的內(nèi)存單元，是大模型進手機面臨的第二道難關(guān)：大模型推理需要大量計算資源做支撐，與此同時，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移動平臺，就被定位為高通“首個專門為生成式AI打造的移動平臺”：
能夠在終端側(cè)運行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)動終端側(cè)AI推理加速的高通AI引擎。
這個AI引擎由多個硬件和軟件組成，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%，同時功耗降低了40%。
具體而言，Hexagon NPU升級了全新的微架構(gòu)。更快的矢量加速器時鐘速度、更強的推理技術(shù)和對更多更快的Transformer網(wǎng)絡(luò)的支持等等，全面提升了Hexgon NPU對生成式AI的響應(yīng)能力，使得手機上的大模型“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端的“定制化”。隨時保持感知的Sensing Hub與大模型協(xié)同合作，可以讓用戶的位置、活動等個性化數(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，進一步提高了AI處理效率。
恰逢驍龍峰會期間，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證，速度達到9.6Gbps。由此看來，搭載第三代驍龍8的手機在內(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個主核心、5個性能核心和2個能效核心)，相較于前代的“1+4+3”，將1個能效核心轉(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，高通的認知ISP是醬嬸的：
支持多達12層的照片/視頻幀實時語義分割;
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，在大模型進手機的過程中，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，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問題：
技術(shù)更新、體積更大的模型，如何快速實時地裝進手機?
裝進手機后，又要如何快速裝進手機以外的智能終端?
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)上做好準備。
首先，需要先增強智能終端對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手機。
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。
從最早在手機上運行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，就針對當(dāng)前大模型的“基石”Transformer架構(gòu)進行了量化相關(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模型的時候，容易出現(xiàn)一些問題。
這篇論文提出了兩種方法來對Transformer模型進行量化，在確保壓縮效果的同時，進一步提升模型輸出性能，確保模型看起來“更小更好”。
然后，還需要增強大模型軟件在不同軟件終端之間的通用性，進一步加速落地。
對于大模型而言，從一個硬件設(shè)備遷移到另一個硬件設(shè)備，并沒有想象中那么容易。
不同的計算平臺之間，硬件的配置往往差異很大，電腦上能運行的大模型，放到手機上還真不一定就能立刻運行。
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。
對此，高通的準備是一個“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、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)和平臺上也可以運行的軟件產(chǎn)品。
只需要一次開發(fā)，甚至是大模型軟件的開發(fā)，就能讓它在多個平臺運行，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)大模型塞進手機，甚至還能將它塞進汽車、XR、PC和物聯(lián)網(wǎng)。
原本的設(shè)備類型繁多的缺點也能化為優(yōu)勢，進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)，不僅是硬實力，軟件上也同樣需要有所儲備。
所以，對于在大模型時代下蓄勢待發(fā)的移動端軟硬件廠商而言，究竟如何才能抓住這次難得的機遇?
或者說，各廠商要如何提前做好準備，才能確保大模型時代依舊屹立于技術(shù)浪潮之巔?
大模型時代需要怎樣的終端芯片
一個時代有一個時代的計算架構(gòu)。
深度學(xué)習(xí)時代是如此，計算攝影時代是如此，大模型時代依舊如此——
無論軟硬件，「模力時代」下的智能終端芯片評判標(biāo)準已經(jīng)悄然生變。
一方面，對于硬件性能而言，芯片已經(jīng)從單純的硬件性能對比、算力較量、功耗計算，逐漸轉(zhuǎn)變成對AI算力的比拼，甚至是對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，在這個技術(shù)日新月異的時代，手握一張底牌就能抓住機遇、打出自身價值的概率，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，勢必只會被其他虎視眈眈的廠商超過，在「模力時代」失去已有的競爭力。
反觀硬件場景有優(yōu)勢的芯片公司，亦是如此。
除了硬件性能的提升以外，與時俱進擴展軟件技術(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，將大模型部署到個人智能終端上，不僅要考慮硬件，也同樣需要考慮模型個性化、計算量等問題。
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行研究，最新成果也同樣實時寫成論文分享出來。
只有這樣，才能更好地了解算法軟件側(cè)對于硬件的需求，從而更好地提升芯片的性能。
另一方面，對于算力更受限、用戶范圍更廣的終端而言，未來的趨勢必然是無縫互聯(lián)。這就意味著，跨平臺適用性會成為AI解決方案的關(guān)鍵。
這種動向，從今年的驍龍峰會上發(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，在電腦上進行快速處理：
處理完畢后，還能將照片在另一個設(shè)備上打開，并用PC的鍵盤給它重命名：
即使只有一個設(shè)備擁有鍵盤和鼠標(biāo)，也能對各類設(shè)備進行無縫控制，甚至讓AI軟件也無障礙在各個設(shè)備之間連接使用。
對于數(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)，勢必是智能終端的下一個未來：
不僅手機和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，像是手機和PC的音頻在耳機之間無縫切換：
之前只有在手機上能使用的AI應(yīng)用，有了這套系統(tǒng)就能擴展到千萬臺智能終端設(shè)備上，包括PC、XR、平板和汽車。
這樣一來，大模型就不再會受限于某一臺設(shè)備、或是某一個操作系統(tǒng)，而是能快速將已經(jīng)在一類終端中實現(xiàn)的AI能力快速套用到更多設(shè)備中，最終實現(xiàn)“萬物皆可大模型”的操作。
總結(jié)來看，在大模型時代下，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)加速大模型在場景下的落地應(yīng)用。
高通已經(jīng)給出了自己的行動路徑。
對于其他不同企業(yè)而言，依舊要在場景中探索自身的價值，才可能在「模力時代」下找到新的出路。
(本文轉(zhuǎn)載自量子位公眾號)
關(guān)鍵詞：
