鱼羊发自凹非寺
量子位公众号 QbitAI
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，也开始在顶级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？
△Midjourney 生成
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）等顶会上的最新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。
AI 应用背后，大家都在聚焦哪些研究？
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 CVPR 2024 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，高通的一系列最新论文们，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，并能实现最优表现。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 Llama 2/3 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，编译器是保障其以最高性能和最低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，可以最大程度减少内存溢出。
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 移动平台为例，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 CVPR 2024 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，能使算力消耗最高降低 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 第一阶段，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。
底层技术驱动 AI 创新
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”。
不止是追赶最新的技术趋势，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？
— 完 —
