芯片巨头正在秘密开发这些新的人工智能技术,这些技术与拍照相比没有什么意思

明敏 萧箫 发自 凹非寺

量子位 | 公众号 QbitAI

不知道你们有没有这样一种感觉,芯片性能要遇上瓶颈了。

光就芯片制程来看,从7nm卷到5nm再卷到3nm,已经越来越逼近摩尔极限。

于是,不少厂商开始试着用AI给芯片性能提供灵感,从神经拟态到用AI设计芯片,各种技术路线都有人在尝试。

这种情况下,哪些新AI技术最可能被应用到下一代芯片当中?

对此,我们采访了一下高通工程技术副总裁侯纪磊

侯纪磊博士毕业于加州大学圣迭戈分校,在高通已经工作了19年,目前是高通公司AI研究项目负责人,负责高通AI研究(Qualcomm AI Research)的技术创新规划。

在采访中,侯博士分享了高通AI研究在基础、平台和应用三个研究方向的一些首创技术成果。

其中,基础研究主要针对前沿性、基础性的AI技术进行研究,例如神经压缩和AI+量子计算相关领域的探索;

平台研究则主要是从平台能力和创新的角度,推动AI技术的发展并提升能效、进行端侧学习,例如量化技术和联邦学习;

应用研究包括移动端视频AI技术和3D+AI技术等,涵盖智能手机、XR、自动驾驶等各个行业应用领域的技术研究。

同时,侯博士还分享了不少“AI落地狂魔”高通,将AI技术快速应用到芯片上的秘诀。一起来看看。

芯片厂商悄悄研发这些新AI

虽然高通最广为人知的AI技术是量化,不过要看最新的技术,还得从高通AI研究的顶会论文中去找。

从论文来看,高通相对着重的AI基础技术可能是以下四个方向:神经增强弱监督学习神经推理量子AI

先来看看神经增强(neural augmentation)技术,目前高通已经将之用到了无线通信中。

平时处理无线通信信号主要有两种方法,一种是用传统滤波器搞一套公式出来,另一种是用AI直接训练并预测结果,前者精度不高,后者训练数据量太大。

高通选择将二者结合起来,在保留传统滤波器的基础之上,让AI自己学习调参。

没错,就是教会AI自己当调参侠,熟练应用并掌握那些看起来晦涩难懂的公式,类似于应用卡尔曼滤波器的场景中,让AI自己学会调整其中的QR参数。

再或者以麦克斯韦方程为例,高通选择保留y=x*H模型的线性,同时采用AI学习H的分布:

要是类似的技术能用于手机无线通信基带上,信号说不定还能再进一步增强。

而神经增强还只是高通神经推理研究的一部分。如果AI真的同时具备了逻辑思维和抽象能力,那距离芯片性能突破也不远了。

再说到弱监督学习,这个方向一直是解决长尾问题、以及AI技术落地新场景的一大趋势之一。

就像是“让AI自己学习”一样,这项技术旨在避免数据标记错误导致的AI精度下降、以及降低标记成本等,来利用少量标记数据,实现与监督学习接近甚至超过监督学习的精度效果。

侯博士介绍了在去年MWC,高通做的一个演示,用弱标记的方法,训练出相对精确度高的定位的模型。

而且最令人惊讶的是,这种定位的模型它不是通过视觉的方式,而是通过射频信号来进行定位的学习,使用了弱监督和自监督的学习方法。

室内定位场景所需的信号数据标记比较复杂,通过射频感知的方法,使用弱监督学习能比较有效地节省成本、提升效率。

嗯,现在老板只需要通过无线信号,就知道你在哪个办公室和同事摸鱼聊天了(手动狗头)。

再来看看神经推理(Neural Reasoning)技术。

事实上,这里的推理并不是指单纯的模式识别,而更像是教AI学会“逻辑推断”,概念上和Yoshua Bengio之前提到的system2(逻辑分析系统)有些相似。

那么,神经推理和芯片有什么关系,可以应用在哪些方向,高通又进展到哪一步了?

据侯博士介绍,神经推理是一种将符号推理和神经网络优势结合起来的思路,让模型兼具并行性和串行性,而这个思路对于计算硬件而言同样具有借鉴性,目前高通已经利用自回归语言模型做出了一些首创成果。

最后来看看量子AI技术

目前高通主要有进行两个方面的研究,一个是基于AI加速构建量子计算机,另一个是让AI更快在量子计算机上运行的新方法。

其中,基于AI加速构建量子计算,主要研究方向在群等变卷积神经网络上。

研究人员通过引进群等变卷积神经网络,提出了一种新的解码方式,比传统解码器运行效率更高、性能也更好。

而高通登上ICML 2021的一项新研究,还提出了一种基于量子场论,在光学量子计算中运行神经网络的新思路。

如果未来真的能用量子计算运行AI,那大模型快速运算也不是梦了。

所以问题来了,高通正在进行的这些基础研究,究竟有没有落地的可能?

距离我们用上还有多久?

技术之终极意义,还是要看向应用。

实际上,高通AI研究关注前沿科技背后,更加重视的是这些技术具体如何落地。

例如在早些年AI领域还在关注图像处理的时候,高通就已经在布局视频AI技术的落地了,并产生了不少相应的首创成果。

包括在移动端将视频超分到4K 100+FPS,就是高通率先实现的。

那么在这个过程中,高通是如何实现将AI论文落地到芯片应用中的呢?

这就得说回高通AI研究的三大布局

  • 基础研究,涉及量子AI、强化学习、群等变卷积神经网络等,着眼于遥远的未来,通常更具有基础性。
  • 平台研究,包括软硬件协同设计、AI模型效率工具包以及模型量化、压缩和神经架构搜索等,来实现最佳的能效、性能和时延。
  • 应用研究,是指利用AI基础研究和平台研究的成果在某些特定用例中,包含视频识别与预测、指纹图谱、图形深度学习、视觉质量提升等。

一方面,高通一直以平台研究技术带动应用研究的落地。

以模型量化为例。

这是高通AI研究这几年钻研的核心技术之一,目的就是给AI模型做个“瘦身”。

在实际应用场景中,由于电量、算力、内存和散热能力受限,手机使用的AI模型和PC上的AI模型有很大不同。

在PC上,GPU动辄上百瓦功率,AI模型的计算可以使用16或32位浮点数(FP16、FP32)。而手机SoC只有几瓦功率,也难存储大体积AI模型。

这时候就需要将FP32模型缩小成8位整数(INT8)乃至4位整数(INT4),同时确保模型精度不能有太大损失。

以AI抠图模型为例,我们以电脑处理器的算力,通常能实现十分精准的AI抠图,但相比之下,如果要用手机实现“差不多效果”的AI抠图,就得用到模型量化的方法。

值得一提的是,基于模型量化快速部署,高通在2020年开源的AI模型增效工具包(AIMET)。

这其中包含了同年以及上年被ICML、ICCV收录的技术方法。

量化的结果之一就是,更多应用方向的AI模型被“压缩”并优化,然后加速部署到芯片中。

比如视频语义分割上,首次在移动端上以FHD分辨率实现实时街景;神经视频压缩方面,首次在移动端实现了实时高清解码……

从这些行业首次落地的成果中可以直观感受到,高通AI研究在结合前沿学术、应用需求上的考量。

侯纪磊博士在采访中表示,高通的AI技术从最初发现到形成开源或商业化生态,只需要2-3年时间。

另一方面,从应用和平台需求上反过来push基础研究技术的进展,催生出更多交叉领域。

比如联邦学习、图像预内核优化,就是基础与平台研究相交叉产生的领域;音视频压缩、面向无线领域和射频感知的AI等,则是基础和应用研究相结合的体现。

也就是说,高通在基础、平台、应用三方面上的研究,完整地将AI技术落地所需的算法模型、数据、软硬件、应用场景几大要素囊括其中,以支持边缘AI,走的是全栈AI研究的路线,并首次在移动终端上演示了概念验证。

以此,高通希望能通过研究“可以应用并落地的AI”,快速推动技术落地的进程。

侯博士表示,其实高通本身在平台和应用上投入比重就会更大,此外在基础研发过程中,产品团队还会深度参与,方便技术人员更加了解应用需求。从AI研究到落地往往非常复杂,需要考虑更多现实世界中的问题(如长尾场景等)。

高通AI研究的目的不仅在于技术创新,也是实际场景应用中的创新。

目前,高通光是实现落地的AI首创研究成果,就有这么多:

由此可见,高通AI研究在首创技术之外,更致力于将这些成果成功运行到终端上。

例如前段时间发布的骁龙X70,就是经过这样的历程问世的。作为全球首款引入AI处理器的5G调制解调器及射频系统系统,骁龙X70预计后续会集成到骁龙年度的8系旗舰平台上。

猜猜,下一代5G手机的信号、图像、音视频处理等技术会不会更强?

你最期待哪些顶会AI技术应用到手机上呢?

参考链接:[1]https://www.youtube.com/watch?v=Tavl2nWHKU8&t=938s[2]https://www.qualcomm.com/research/artificial-intelligence/ai-research

— 完 —

量子位 QbitAI · 头条号签约

关注我们,第一时间获知前沿科技动态

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据