這年頭，安卓廠商沒個大模型，都不敢開手機發布會了。
前腳OPPO剛用大模型升級了語音助手，后腳vivo就官宣自研手機AI大模型;
小米發布會則直接將大模型當場塞進手機系統……其競爭激烈程度，不亞于搶芯片首發。
到底是怎么回事?
究其原因，還是智能終端已經成為了各類AIGC應用的落地“新灘頭”。
先是圖像生成大模型接二連三地被塞進手機，從十億參數的Stable Diffusion，在手機上快速生成一只金毛小狗：
到手機上運行十五億參數的ControlNet，快速生成一張限定圖像結構的AI風景照：
隨后，文本生成大模型們也爭先恐后地推出了手機新應用——
國內有文心一言、智譜清言APP，國外則有OpenAI的移動版ChatGPT，Llama 2手機版也在加急準備中。
現在，這一波智能終端大模型熱潮之中，最底層的軟硬件技術齒輪開始轉動。
從高通到蘋果，最新的芯片廠商發布會，無一不在強調軟硬件對機器學習和大模型的支持——
蘋果M3能運行“數十億參數”機器學習模型，高通的驍龍X Elite和驍龍8 Gen 3更是已經分別實現將130億和100億參數大模型裝進電腦和手機。
并且這不僅僅是已支持或跑通的數字參數，而是實實在在到了可落地應用的程度。
從十億到百億，更大參數的移動端AI模型暗示了更好的體驗，但也意味著一場更艱巨的挑戰——
或許可以將這樣機遇與挑戰并存的大模型時代，稱之為「模力時代」。
「模力時代」下，芯片廠商究竟要如何沖破大模型移植智能終端面臨的算力、體積和功耗等限制?
進一步地，大模型的出現又給底層芯片設計帶來了哪些改變?
是時候掰開揉碎，好好分析一番了。
「模力時代」，硬件圍繞AI而生
從大模型風暴刮起之初，算力就成為了科技圈的焦點話題。
就在最近，OpenAI還因為DevDay后“遠超預期”的大模型調用流量，出現了全線產品宕機的史上最大事故。
相比于云端，移動終端的算力更為受限。想要把大模型裝進手機，算力問題自然構成了第一重挑戰。
計算單元之外，有限的內存單元，是大模型進手機面臨的第二道難關：大模型推理需要大量計算資源做支撐，與此同時，內存大小決定了數據處理速度的上限以及推理的穩定性。
另外，在手機上跑大模型，也給電池帶來了更大的壓力。因此芯片能耗成為一大關鍵。
在各大廠商的最新探索之中，我們可以觀察到，解決之道目前分為軟、硬兩路。
先來看硬件部分。
高通最新推出的第三代驍龍8移動平臺，就被定位為高通“首個專門為生成式AI打造的移動平臺”：
能夠在終端側運行100億參數大模型，面向70億參數大語言模型，每秒能生成20個token。
較之前代產品，第三代驍龍8最重要的變化，就是驅動終端側AI推理加速的高通AI引擎。
這個AI引擎由多個硬件和軟件組成，包括高通Hexagon NPU、Adreno GPU、Kryo CPU和傳感器中樞。
其中最核心、與AI最密切相關的，是Hexagon NPU。
高通公布的數據顯示，Hexagon NPU在性能表現上，比前代產品快98%，同時功耗降低了40%。
具體而言，Hexagon NPU升級了全新的微架構。更快的矢量加速器時鐘速度、更強的推理技術和對更多更快的Transformer網絡的支持等等，全面提升了Hexgon NPU對生成式AI的響應能力，使得手機上的大模型“秒答”用戶提問成為可能。
Hexagon NPU之外，第三代驍龍8在Sensing Hub(傳感器中樞)上也下了功夫：增加下一代微型NPU，AI性能提高3.5倍，內存增加30%。
值得關注的是，官方提到，Sensing Hub有助于大模型在手機端的“定制化”。隨時保持感知的Sensing Hub與大模型協同合作，可以讓用戶的位置、活動等個性化數據更好地為生成式AI所用。
而在內存方面，第三代驍龍8支持LPDDR5X，頻率從4.2GHz提高到了4.8GHz，帶寬77GB/s，最大容量為24GB。
更快的數據傳輸速度，更大的帶寬，也就意味著第三代驍龍8能夠支持更大更復雜的AI模型。
并且，此番高通在內存和Hexagon NPU矢量單元之間增加了直連通道，進一步提高了AI處理效率。
恰逢驍龍峰會期間，SK海力士還特別宣布，其產品LPDDR5T已經在高通第三代驍龍8上完成了性能及兼容性驗證，速度達到9.6Gbps。由此看來，搭載第三代驍龍8的手機在內存方面還有更多的選擇。
除此之外，在CPU方面，第三代驍龍8采用“1+5+2”架構(1個主核心、5個性能核心和2個能效核心)，相較于前代的“1+4+3”，將1個能效核心轉換為性能核心。其中超大核頻率提升到3.3GHz，性能核心頻率提升到最高3.2GHz，能效核心頻率提升到2.3GHz。
新架構下，Kryo CPU性能提高了30%，功耗降低了20%。
GPU方面，第三代驍龍8則在性能和能效方面均實現25%的提升。
值得一提的是，AI引擎之外，第三代驍龍8的ISP、調制解調器等其他模塊，也已根植AI基因。
現在，高通的認知ISP是醬嬸的：
支持多達12層的照片/視頻幀實時語義分割;
融合生成式AI技術，支持聲控拍照和視頻編輯;
支持利用AI技術從視頻中刪除不需要的人和物;
支持AI擴展照片;
……
調制解調器同樣有5G AI處理器的加持：通過分析信號完整性和信噪比，AI能夠改善無線帶寬、延遲等性能指標。
由此看來，在大模型進手機的過程中，行業領軍者的硬件解決之道可以從兩方面來總結：
其一，是針對算力、內存、能耗三要素的性能提升和功耗平衡。
其二，是用AI來定義硬件，跟AI技術本身做更深層的結合。
不過，雖說硬件技術能解決大模型移植到智能終端的關鍵難點，但要想讓它真正落地應用，仍需要邁過另外一重門檻。
降低大模型軟件開發門檻
這道門檻，具體可以分解為兩個問題：
技術更新、體積更大的模型，如何快速實時地裝進手機?
要想解決這兩大問題，就不能僅僅從硬件側入手，而同樣要在軟件開發上做好準備。
首先，需要先增強智能終端對不同大模型的適配能力，即使是架構算法存在差異也同樣能裝進手機。
即使最新大模型體積超出預期，也要能確保在不影響性能的情況下，將之應用到智能終端。
這里依舊以高通為例。
從最早在手機上運行10億參數Stable Diffusion，到快速基于驍龍8 Gen 3適配百億參數大模型，背后實際上還離不開一類軟件能力——
AI壓縮技術。
最新的AI壓縮技術，從高通今年發表在AI頂會上的幾篇論文可以窺見一斑。
像是這篇被NeurIPS 2023收錄的論文，就針對當前大模型的“基石”Transformer架構進行了量化相關的研究。
量化是壓縮AI模型的一種經典方法，然而此前在壓縮Transformer模型的時候，容易出現一些問題。
這篇論文提出了兩種方法來對Transformer模型進行量化，在確保壓縮效果的同時，進一步提升模型輸出性能，確保模型看起來“更小更好”。
然后，還需要增強大模型軟件在不同軟件終端之間的通用性，進一步加速落地。
對于大模型而言，從一個硬件設備遷移到另一個硬件設備，并沒有想象中那么容易。
不同的計算平臺之間，硬件的配置往往差異很大，電腦上能運行的大模型，放到手機上還真不一定就能立刻運行。
而這也正是阻礙大模型在種類繁多、部件繁雜的智能終端落地的另一重原因。
對此，高通的準備是一個“轉換器”一樣的角色：高通AI軟件棧。
這是一套容納了大量AI技術的工具包，全面支持各種主流AI框架、不同操作系統和各類編程語言，能提升各種AI軟件在智能終端上的兼容性。
不僅如此，這套軟件棧還包含高通AI Studio，相當于將高通的所有AI工具集成到一起，直接進行可視化開發。
其中，如AI模型增效工具包、模型分析器和神經網絡架構搜索(NAS)等都在里面。
AI軟件只需要在里面從設計、優化、部署到分析“走一趟流程”，就能快速轉換成在其他操作系統和平臺上也可以運行的軟件產品。
只需要一次開發，甚至是大模型軟件的開發，就能讓它在多個平臺運行，不需要擔心適配的問題，像Stable Diffusion就已經部署到其中，其他平臺也同樣可以隨取隨用了。
這樣一來，不僅僅是將百億參數大模型塞進手機，甚至還能將它塞進汽車、XR、PC和物聯網。
原本的設備類型繁多的缺點也能化為優勢，進一步加速大模型軟件的落地。
總結來看，大模型移植到智能終端所需的技術，不僅是硬實力，軟件上也同樣需要有所儲備。
所以，對于在大模型時代下蓄勢待發的移動端軟硬件廠商而言，究竟如何才能抓住這次難得的機遇?
或者說，各廠商要如何提前做好準備，才能確保大模型時代依舊屹立于技術浪潮之巔?
大模型時代需要怎樣的終端芯片
一個時代有一個時代的計算架構。
深度學習時代是如此，計算攝影時代是如此，大模型時代依舊如此——
無論軟硬件，「模力時代」下的智能終端芯片評判標準已經悄然生變。
一方面，對于硬件性能而言，芯片已經從單純的硬件性能對比、算力較量、功耗計算，逐漸轉變成對AI算力的比拼，甚至是對AI軟硬件技術能力的全面要求。
這種轉變，從大模型廠商巨頭的技術儲備棧變化可以窺見一斑。
以微軟為例，這家科技巨頭和云廠商，近期開始注重起AI軟硬件結合的技術，如大模型訓練等。
在微軟前不久的一篇訓練研究中，就系統闡述了大模型在FP8精度下訓練的效果，能在同樣硬件成本下，訓練更大規模的大模型、同時確保訓練出來的模型性能。
△圖源論文FP8-LM: Training FP8 Large Language Models
以AI算法研究著稱的OpenAI，則被曝出有造芯的意向，開始朝硬件方向的技術發力。
顯然，從不同科技巨頭最新研究中能看出，在這個技術日新月異的時代，手握一張底牌就能抓住機遇、打出自身價值的概率，正變得越來越低。
如果還停留在“硬件公司造好芯、軟件公司做好算法”的階段，勢必只會被其他虎視眈眈的廠商超過，在「模力時代」失去已有的競爭力。
反觀硬件場景有優勢的芯片公司，亦是如此。
除了硬件性能的提升以外，與時俱進擴展軟件技術棧、提升軟硬件結合的AI能力，同樣不可或缺。
高通在前陣子推出的白皮書中就提到，將大模型部署到個人智能終端上，不僅要考慮硬件，也同樣需要考慮模型個性化、計算量等問題。
但相比等待大模型廠商去解決這些問題，高通選擇自己在軟件方面進行研究，最新成果也同樣實時寫成論文分享出來。
只有這樣，才能更好地了解算法軟件側對于硬件的需求，從而更好地提升芯片的性能。
另一方面，對于算力更受限、用戶范圍更廣的終端而言，未來的趨勢必然是無縫互聯。這就意味著，跨平臺適用性會成為AI解決方案的關鍵。
這種動向，從今年的驍龍峰會上發布的Snapdragon Seamless技術就能窺見一斑。
像是將平板上的照片，用鼠標就能“一鍵平移”到PC，在電腦上進行快速處理：
處理完畢后，還能將照片在另一個設備上打開，并用PC的鍵盤給它重命名：
即使只有一個設備擁有鍵盤和鼠標，也能對各類設備進行無縫控制，甚至讓AI軟件也無障礙在各個設備之間連接使用。
對于數據傳輸延遲不是問題的未來而言，打通多終端協作和互聯，勢必是智能終端的下一個未來：
不僅手機和PC等不同的終端設備之間可以共享數據、更可能讓同一套設備在不同的操作系統之間完成一系列流暢操作，像是手機和PC的音頻在耳機之間無縫切換：
之前只有在手機上能使用的AI應用，有了這套系統就能擴展到千萬臺智能終端設備上，包括PC、XR、平板和汽車。
這樣一來，大模型就不再會受限于某一臺設備、或是某一個操作系統，而是能快速將已經在一類終端中實現的AI能力快速套用到更多設備中，最終實現“萬物皆可大模型”的操作。
總結來看，在大模型時代下，AI廠商不僅需要具備軟硬件結合的能力，更需要提前布局智能終端萬物互聯的未來，以「連接」技術加速大模型在場景下的落地應用。
高通已經給出了自己的行動路徑。
對于其他不同企業而言，依舊要在場景中探索自身的價值，才可能在「模力時代」下找到新的出路。
(新聞稿 2023-11-17)
