这年头，安卓厂商没个大模型，都不敢开手机发布会了。
前脚OPPO刚用大模型升级了语音助手，后脚vivo就官宣自研手机AI大模型;
小米发布会则直接将大模型当场塞进手机系统……其竞争激烈程度，不亚于抢芯片首发。
到底是怎么回事?
究其原因，还是智能终端已经成为了各类AIGC应用的落地“新滩头”。
先是图像生成大模型接二连三地被塞进手机，从十亿参数的Stable Diffusion，在手机上快速生成一只金毛小狗：
相比于云端，移动终端的算力更为受限。想要把大模型装进手机，算力问题自然构成了第一重挑战。
计算单元之外，有限的内存单元，是大模型进手机面临的第二道难关：大模型推理需要大量计算资源做支撑，与此同时，内存大小决定了数据处理速度的上限以及推理的稳定性。
在手机上跑大模型，也给电池带来了更大的压力。因此芯片能耗成为一大关键。
在各大厂商的最新探索之中，我们可以观察到，解决之道目前分为软、硬两路。
先来看硬件部分。
高通最新推出的第三代骁龙8移动平台，就被定位为高通“首个专门为生成式AI打造的移动平台”：
能够在终端侧运行100亿参数大模型，面向70亿参数大语言模型，每秒能生成20个token。
较之前代产品，第三代骁龙8最重要的变化，就是驱动终端侧AI推理加速的高通AI引擎。
这个AI引擎由多个硬件和软件组成，包括高通Hexagon NPU、Adreno GPU、Kryo CPU和传感器中枢。
其中最核心、与AI最密切相关的，是Hexagon NPU。
高通公布的数据显示，Hexagon NPU在性能表现上，比前代产品快98%，同时功耗降低了40%。
具体而言，HexagonNPU升级了全新的微架构。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HexgonNPU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SensingHub(传感器中枢)上也下了功夫：增加下一代微型NPU，AI性能提高3.5倍，内存增加30%。
值得关注的是，官方提到，Sensing Hub有助于大模型在手机端的“定制化”。随时保持感知的SensingHub与大模型协同合作，可以让用户的位置、活动等个性化数据更好地为生成式AI所用。
而在内存方面，第三代骁龙8支持LPDDR5X，频率从4.2GHz提高到了4.8GHz，带宽77GB/s，最大容量为24GB。
更快的数据传输速度，更大的带宽，也就意味着第三代骁龙8能够支持更大更复杂的AI模型。
并且，此番高通在内存和Hexagon NPU矢量单元之间增加了直连通道，进一步提高了AI处理效率。
恰逢骁龙峰会期间，SK海力士还特别宣布，其产品LPDDR5T已经在高通第三代骁龙8上完成了性能及兼容性验证，速度达到9.6Gbps。由此看来，搭载第三代骁龙8的手机在内存方面还有更多的选择。
除此之外，在CPU方面，第三代骁龙8采用“1+5+2”架构(1个主核心、5个性能核心和2个能效核心)，相较于前代的“1+4+3”，将1个能效核心转换为性能核心。其中超大核频率提升到3.3GHz，性能核心频率提升到最高3.2GHz，能效核心频率提升到2.3GHz。
新架构下，Kryo CPU性能提高了30%，功耗降低了20%。
GPU方面，第三代骁龙8则在性能和能效方面均实现25%的提升。
AI引擎之外，第三代骁龙8的ISP、调制解调器等其他模块，也已根植AI基因。
现在，高通的认知ISP是酱婶的：
支持多达12层的照片/视频帧实时语义分割;
融合生成式AI技术，支持声控拍照和视频编辑;
支持利用AI技术从视频中删除不需要的人和物;
支持AI扩展照片;
……
量化是压缩AI模型的一种经典方法，然而此前在压缩Transformer模型的时候，容易出现一些问题。
这篇论文提出了两种方法来对Transformer模型进行量化，在确保压缩效果的同时，进一步提升模型输出性能，确保模型看起来“更小更好”。
然后，还需要增强大模型软件在不同软件终端之间的通用性，进一步加速落地。
对于大模型而言，从一个硬件设备迁移到另一个硬件设备，并没有想象中那么容易。
不同的计算平台之间，硬件的配置往往差异很大，电脑上能运行的大模型，放到手机上还真不一定就能立刻运行。
而这也正是阻碍大模型在种类繁多、部件繁杂的智能终端落地的另一重原因。
对此，高通的准备是一个“转换器”一样的角色：高通AI软件栈。
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。
不仅如此，这套软件栈还包含高通AI Studio，相当于将高通的所有AI工具集成到一起，直接进行可视化开发。
其中，如AI模型增效工具包、模型分析器和神经网络架构搜索(NAS)等都在里面。
AI软件只需要在里面从设计、优化、部署到分析“走一趟流程”，就能快速转换成在其他操作系统和平台上也可以运行的软件产品。
只需要一次开发，甚至是大模型软件的开发，就能让它在多个平台运行，不需要担心适配的问题，像StableDiffusion就已经部署到其中，其他平台也同样可以随取随用了。
这样一来，不仅仅是将百亿参数大模型塞进手机，甚至还能将它塞进汽车、XR、PC和物联网。
原本的设备类型繁多的缺点也能化为优势，进一步加速大模型软件的落地。
总结来看，大模型移植到智能终端所需的技术，不仅是硬实力，软件上也同样需要有所储备。
所以，对于在大模型时代下蓄势待发的移动端软硬件厂商而言，究竟如何才能抓住这次难得的机遇?
或者说，各厂商要如何提前做好准备，才能确保大模型时代依旧屹立于技术浪潮之巅?
大模型时代需要怎样的终端芯片
一个时代有一个时代的计算架构。
深度学习时代是如此，计算摄影时代是如此，大模型时代依旧如此——
无论软硬件，「模力时代」下的智能终端芯片评判标准已经悄然生变。
一方面，对于硬件性能而言，芯片已经从单纯的硬件性能对比、算力较量、功耗计算，逐渐转变成对AI算力的比拼，甚至是对AI软硬件技术能力的全面要求。
这种转变，从大模型厂商巨头的技术储备栈变化可以窥见一斑。
以微软为例，这家科技巨头和云厂商，近期开始注重起AI软硬件结合的技术，如大模型训练等。
在微软前不久的一篇训练研究中，就系统阐述了大模型在FP8精度下训练的效果，能在同样硬件成本下，训练更大规模的大模型、同时确保训练出来的模型性能。
△图源论文FP8-LM: Training FP8 Large Language Models
以AI算法研究著称的OpenAI，则被曝出有造芯的意向，开始朝硬件方向的技术发力。
显然，从不同科技巨头最新研究中能看出，在这个技术日新月异的时代，手握一张底牌就能抓住机遇、打出自身价值的概率，正变得越来越低。
如果还停留在“硬件公司造好芯、软件公司做好算法”的阶段，势必只会被其他虎视眈眈的厂商超过，在「模力时代」失去已有的竞争力。
反观硬件场景有优势的芯片公司，亦是如此。
除了硬件性能的提升以外，与时俱进扩展软件技术栈、提升软硬件结合的AI能力，同样不可或缺。
高通在前阵子推出的白皮书中就提到，将大模型部署到个人智能终端上，不仅要考虑硬件，也同样需要考虑模型个性化、计算量等问题。
但相比等待大模型厂商去解决这些问题，高通选择自己在软件方面进行研究，最新成果也同样实时写成论文分享出来。
只有这样，才能更好地了解算法软件侧对于硬件的需求，从而更好地提升芯片的性能。
另一方面，对于算力更受限、用户范围更广的终端而言，未来的趋势必然是无缝互联。这就意味着，跨平台适用性会成为AI解决方案的关键。
这种动向，从今年的骁龙峰会上发布的Snapdragon Seamless技术就能窥见一斑。
像是将平板上的照片，用鼠标就能“一键平移”到PC，在电脑上进行快速处理：
本文链接：//www.dmpip.com//www.dmpip.com/showinfo-45-2543-0.html掰开安卓手机，满屏都是三个字：大模型
声明：本网页内容旨在传播知识，若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。邮件：2376512515@qq.com
Copyright © 2016-2023 天津谷骐科技有限公司 版权所有 sitemap.xml
违法及侵权请联系：2376512515@qq.com 津ICP备18001702号
津公网安备 12010102000574号
