掰开安卓手机,满屏都是三个字:大模型丨模力时代

2024-03-16 12:30

本文主要是介绍掰开安卓手机,满屏都是三个字:大模型丨模力时代,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

鱼羊 萧箫 发自 凹非寺
量子位 | 公众号 QbitAI

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。

06798ac92807ec10ce8b61b6e9906703.gif

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:

7dc176327f7d749d0d7fbd51dcd2e014.gif
图源油管Android Authority

到手机上运行十五亿参数的ControlNet,快速生成一张限定图像结构的AI风景照:

18704408b10f7caf14efb25192f08bc8.gif

随后,文本生成大模型们也争先恐后地推出了手机新应用——

国内有文心一言、智谱清言APP,国外则有OpenAI的移动版ChatGPT,Llama 2手机版也在加急准备中。

现在,这一波智能终端大模型热潮之中,最底层的软硬件技术齿轮开始转动。

从高通到苹果,最新的芯片厂商发布会,无一不在强调软硬件对机器学习和大模型的支持——

苹果M3能运行“数十亿参数”机器学习模型,高通的骁龙X Elite和骁龙8 Gen 3更是已经分别实现将130亿和100亿参数大模型装进电脑和手机。

并且这不仅仅是已支持或跑通的数字参数,而是实实在在到了可落地应用的程度。

667097665e1ab6e73523cd0fdc7aeac7.gif
高通现场演示和手机中的百亿大模型对话

从十亿到百亿,更大参数的移动端AI模型暗示了更好的体验,但也意味着一场更艰巨的挑战——

或许可以将这样机遇与挑战并存的大模型时代,称之为「模力时代」。

「模力时代」下,芯片厂商究竟要如何冲破大模型移植智能终端面临的算力、体积和功耗等限制?

进一步地,大模型的出现又给底层芯片设计带来了哪些改变?

是时候掰开揉碎,好好分析一番了。

「模力时代」,硬件围绕AI而生

从大模型风暴刮起之初,算力就成为了科技圈的焦点话题。

就在最近,OpenAI还因为DevDay后“远超预期”的大模型调用流量,出现了全线产品宕机的史上最大事故。

a23a52bd028108a3c8a9f64b92e16eaa.png

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。

另外,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。

5437f340fdd45ec2eb952a0849407fa4.png

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%

ef138cb7f419a373eb4db98a4f6af7be.png

具体而言,Hexagon NPU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Hexgon 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Sensing Hub(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%。

d243f5b41340347ecb272073bdee0c2e.png

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Sensing Hub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。

37639612d4f5132ba31705b191cb0b03.png

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%。

07b2260f8212110711192d4d60195b32.png

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。

值得一提的是,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;
    ……

e3c5df8f2319578b802b8b0631d700a3.gif

调制解调器同样有5G AI处理器的加持:通过分析信号完整性和信噪比,AI能够改善无线带宽、延迟等性能指标。

由此看来,在大模型进手机的过程中,行业领军者的硬件解决之道可以从两方面来总结:

其一,是针对算力、内存、能耗三要素的性能提升和功耗平衡。

其二,是用AI来定义硬件,跟AI技术本身做更深层的结合。

不过,虽说硬件技术能解决大模型移植到智能终端的关键难点,但要想让它真正落地应用,仍需要迈过另外一重门槛。

降低大模型软件开发门槛

这道门槛,具体可以分解为两个问题:

  • 技术更新、体积更大的模型,如何快速实时地装进手机?

  • 装进手机后,又要如何快速装进手机以外的智能终端?

要想解决这两大问题,就不能仅仅从硬件侧入手,而同样要在软件开发上做好准备。

首先,需要先增强智能终端对不同大模型的适配能力,即使是架构算法存在差异也同样能装进手机。

即使最新大模型体积超出预期,也要能确保在不影响性能的情况下,将之应用到智能终端。

这里依旧以高通为例。

从最早在手机上运行10亿参数Stable Diffusion,到快速基于骁龙8 Gen 3适配百亿参数大模型,背后实际上还离不开一类软件能力——

AI压缩技术。

最新的AI压缩技术,从高通今年发表在AI顶会上的几篇论文可以窥见一斑。

像是这篇被NeurIPS 2023收录的论文,就针对当前大模型的“基石”Transformer架构进行了量化相关的研究。

4ec79eae5dc558f534b1457b75db4bbf.png

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。

c96fadf14818195209295dc17be43e23.png

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Stable Diffusion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。

ae34f91129014e121abc392fb492efaf.png

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。

e1a372bb43103b974d8c5455779e2b0d.png
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。

aaa283f9eafc992e70b99ed996e58d65.png

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:

a3a22c03f37885be326289d985409d77.gif

处理完毕后,还能将照片在另一个设备上打开,并用PC的键盘给它重命名:

3979657f07f73b7fc5a4e7519749ece5.gif

即使只有一个设备拥有键盘和鼠标,也能对各类设备进行无缝控制,甚至让AI软件也无障碍在各个设备之间连接使用。

对于数据传输延迟不是问题的未来而言,打通多终端协作和互联,势必是智能终端的下一个未来:

不仅手机和PC等不同的终端设备之间可以共享数据、更可能让同一套设备在不同的操作系统之间完成一系列流畅操作,像是手机和PC的音频在耳机之间无缝切换:

2c7aa51f1f03af791d68a42ad5734124.gif

之前只有在手机上能使用的AI应用,有了这套系统就能扩展到千万台智能终端设备上,包括PC、XR、平板和汽车。

这样一来,大模型就不再会受限于某一台设备、或是某一个操作系统,而是能快速将已经在一类终端中实现的AI能力快速套用到更多设备中,最终实现“万物皆可大模型”的操作。

总结来看,在大模型时代下,AI厂商不仅需要具备软硬件结合的能力,更需要提前布局智能终端万物互联的未来,以「连接」技术加速大模型在场景下的落地应用。

高通已经给出了自己的行动路径。

对于其他不同企业而言,依旧要在场景中探索自身的价值,才可能在「模力时代」下找到新的出路。

—  —

点这里👇关注我,记得标星哦~

这篇关于掰开安卓手机,满屏都是三个字:大模型丨模力时代的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/815498

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

安卓链接正常显示,ios#符被转义%23导致链接访问404

原因分析: url中含有特殊字符 中文未编码 都有可能导致URL转换失败,所以需要对url编码处理  如下: guard let allowUrl = webUrl.addingPercentEncoding(withAllowedCharacters: .urlQueryAllowed) else {return} 后面发现当url中有#号时,会被误伤转义为%23,导致链接无法访问

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

AI Toolkit + H100 GPU,一小时内微调最新热门文生图模型 FLUX

上个月,FLUX 席卷了互联网,这并非没有原因。他们声称优于 DALLE 3、Ideogram 和 Stable Diffusion 3 等模型,而这一点已被证明是有依据的。随着越来越多的流行图像生成工具(如 Stable Diffusion Web UI Forge 和 ComyUI)开始支持这些模型,FLUX 在 Stable Diffusion 领域的扩展将会持续下去。 自 FLU

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者