人工智能能耗面临两大挑战 高通三层努力加速研究

 当下，人工智能已经深入到经济和产业的每个细分领域，很多产品也已经具备了人工智能的能力，这是积极的一面。但同时，也给我们带来一些严峻的问题和挑战。随着人工智能的发展，能源消耗的越来越严重，有数据预测到2025年，全球的数据中心将消耗全球所有可用电力的20%。

此外，深度神经网络的能耗与其规模大小也成正比。资料显示，到2025年，神经网络的继续发展有望将其规模扩大至100万亿个参数，相当于人类大脑的容量，这样规模的神经网络将消耗大量能源。人类大脑的能效比当前最优秀硬件的能效要高100倍，因此我们应该从大脑得到启发，发展能效更高的人工智能技术。

人工智能的能耗问题具备两大挑战

在Qualcomm技术副总裁韦灵思看来，人工智能的能耗问题存在两个重要的挑战。第一，人工智能创造的经济价值和效益必须超过运行这个服务的成本，否则人们将无法盈利，人们开发的这些卓越的人工智能技术也就无所用处。不管是社交网络上按用户喜好排序，或者是个性化的广告和推荐，它的应用成本都需要控制在一定范围内。此外，人工智能还被应用到大型的智慧城市和智慧工厂中，同样需要控制成本。

Qualcomm技术副总裁韦灵思

第二，人工智能能效问题也是一大挑战，是因为在边缘侧也就是移动环境中，还存在散热的限制。比如说，我们不能在手机里运行能耗过高的任务，否则手机就会变得非常热。但同时，我们需要处理大量的人工智能工作负载，包括完成非常密集的计算分析任务、处理复杂的并发性即在一段时间内同时完成多项任务，还需要保证实时和始终开启，移动环境又有多种多样的限制条件，比如说终端的尺寸很小，又需要保证长久续航以支持全天使用。此外，受尺寸影响，移动终端的内存和带宽也都有限制。

“所以说，不管是从经济效益还是热效率的角度看，我们都必须要降低人工智能运行的能耗。” 韦灵思总结到：“我认为未来人工智能算法将不会由其所能提供的智能多少来衡量，而是要看这种算法每瓦时所提供的智能多少，这会成为未来人工智能算法的重要衡量指标。在此方面Qualcomm拥有很大的优势，低功耗计算正是我们一直以来所擅长的。”

Qualcomm在终端侧让深度学习更加高效

深度学习是人工智能发展历程中的一次重要变革，受神经网络的大幅发展所驱动，深度学习显著提高了预测的准确性。此外，韦灵思表示我们不应该从声音、信号等大量原始数据中人工定义特性，而是应该让算法从原始数据中自行学习提取特性，这是一个巨大的突破。神经网络的优点还包括，它能够自动探测物体，非常高效地共享参数，使部分数据更加高效，并且可以在现代硬件上快速执行。

当然，深度学习也有需要改进的方面，在韦灵思看来，最重要的一点是，卷积神经网络使用了太多的内存、计算能力和能源，这是现在急需改善的。此外，神经网络不具备旋转不变性、不能量化不确定性以及它很容易被输入侧轻微的改变所欺骗等。

为应对这些挑战，Qualcomm开展了大量的工作。在降低能耗方面，受人类大脑的启发，Qualcomm早在超过十年前就已经开始了脉冲神经网络的研究，这也是实现低功耗计算的一种方法。现在同样受人脑的启发，Qualcomm正考虑利用噪音来实现深度学习方面的低功耗计算。

韦灵思解释称：“人脑其实是一个充满噪声的系统，它知道如何处理噪音。我相信，我们可以更进一步利用噪音来为神经网络带来益处。在专业领域，我们将这种方法称为贝叶斯深度学习，这也是我们实现这一切的重要基础性框架。通过贝叶斯深度学习，我们把神经网络压缩得更小，使其可以更高效地运行在骁龙平台上。我们还通过使用这一框架，量化我们需要进行的计算处理的比特位。”

谈及这些噪音如何帮助我们进行压缩和量化时，韦灵思讲到，我们将噪声引入到神经网络，继而影响到各个参数和连接，然后这些扰动的参数将噪声传播到激活节点，也就是各个神经元。如果这些神经元充满了噪音、不存储任何信息、或对预测不能发挥任何作用，我们就对其进行裁剪。通过裁剪神经元，神经网络会变得更小，从而在计算机和骁龙平台上也将会运行得更快。

刚刚谈到了使用贝叶斯框架进行压缩与量化，事实上它还可以解决许多其他问题。如果神经网络只进行过面向某一场景的训练，例如一台自动驾驶汽车只接受过某一城市的相关训练，现在这台汽车来到另一个新的城市，你可以使用贝叶斯深度学习进行泛化。Qualcomm的思路是，能够对数据做出解释的最小、最简单的模型即为最适合的模型，这就是奥卡姆剃刀。贝叶斯学习还可以帮助我们产生置信估计，即量化神经网络的不确定性。当我们加入噪声，噪声将传播至预测，从而产生预测的分布区间，由此完成对预测置信度的量化。最后，贝叶斯学习可以帮助我们不易遭受对抗攻击，即通过输入侧的轻微改变来得到不同的预测结果。它也有助于保护用户的个人隐私，因为数据信息可以转换为模型参数甚至可以进行重构，使得数据具有隐私敏感度。所以说通过加入噪声，可以很好地帮助我们保护隐私。总体而言，贝叶斯深度学习可以很好地解决深度神经网络所面临的诸多挑战。

“随着压缩比越来越大，贝叶斯深度学习相比于其他方法的性能优势就越明显，其在移动平台上的运行也更为高效，这就是为什么我们认为贝叶斯深度学习尤其适合移动场景。” 韦灵思进一步讲到。

此外，据介绍，目前Qualcomm异构计算系统中包括了三个组件，分别是CPU、GPU和DSP。超过十年来，在每一个产品研发周期内，Qualcomm都从多个维度持续提升这三大组件。举例来说，在缓存结构(caching structure)上，Qualcomm不断优化内存工作方式;持续优化精确性，通过最低的能耗实现对精确度优化;优化计算管理，比如说当有一个计算任务，可以选择让GPU、CPU或是DSP完成，或者让所有组件共同完成。虽然目前只对单一终端上的计算进行管理，但Qualcomm有更远大的愿景，在即将到来的5G时代，Qualcomm将在万物互联的环境下，将计算放在由终端及云端组成的整个网络中运行，为网络边缘带来强大的人工智能系统。”

Qualcomm三层努力加速人工智能研究

在加速人工智能研究方面，Qualcomm也做了很大的努力，包括对计算架构、内存层级及使用层面的优化和提升。在计算架构方面，Qualcomm专注于优化指令类型和并行性，以及优化运行计算所需的精确度，贝叶斯深度学习可以帮助实现最佳的运行精确度。同样重要甚至更为重要的是内存层级。据估计，从DRAM迁移数据或将数据迁移至DRAM的功耗，是ALU运算(ALU Operation)功耗的200倍，因此，需要优化内存层级以降低数据移动的功耗。在使用层面，Qualcomm致力于优化硬件、软件和编译器，从而减少计算的冗余并最大化计算吞吐量和内存带宽。

韦灵思补充道：“由硬件、软件和算法构成的生态系统对我们来说至关重要。高效的硬件将不断演进，以适应在人工智能领域出现的全新算法。”

他进一步讲到：“我们关注如何在硬件上更高效地运行卷积神经网络，以及为高效运行神经网络而开发更高效的新硬件。在算法方面，确保算法在骁龙平台上的高效运行。这一切都需要通过软件工具来实现，也就是我们的骁龙神经处理SDK。大家可以将软件看成是连接硬件和算法之间的桥梁。比如说，你在骁龙平台上构建你最喜欢的模型，或进行你最喜欢的人工智能测试，当你将模型放到神经处理SDK中，这些可用的软件工具将帮助你进行压缩和量化，从而确保你的模型或测试在骁龙平台上高效运行。”