ai手机ai pc井喷在即 高通在加速布局以赋能生态繁荣 -尊龙凯时入口

摘要：ai产品开发者需要先行一步，早一些让用户体验自己的产品，和用户建立连接，培养粘性，从而在竞争中占得先机。

2024注定是ai行业热闹非凡的一年。虽然刚刚进入3月份，但是关于ai的新闻已经多次占据了头条。就在上个月，openai发布了文字生成视频的大模型sora，其逼真的效果直接清空了在这个细分赛道苦苦耕耘的创业者。几天后，英伟达市值站上2万亿美元，成为了历史上最快实现从1万亿到2万亿美元市值的企业。正所谓“当你发现金矿，最好的生意不是挖矿而是卖铲子”，英伟达成为了ai时代“军备竞赛”的最大赢家。

就在大家感叹“世界上只有两种ai，一种叫openai，一种叫其他ai”的时候，沉寂了许久的anthropic放出王炸，这家由openai前研究副总裁创立的公司，发布了最新的claude3模型，各项指标已经全面超越了gpt4。

ai行业的风起云涌，也昭示了这个行业还处在一个初级阶段。技术迭代太快，暂时领先的企业可能在一夜之间就被新技术颠覆。一些眼花缭乱的新技术，虽然已经问世，但迟迟不公开或者没有部署。比如上文提到的sora，截至发文，还没有正式向公众开放。

生成式ai的研发和本地部署之间存在鸿沟。目前，大众使用的生成式ai产品往往是部署在云端而在本地访问(比如chatgpt网页)，但这无法满足所有需求，并且会产生一些隐患。

首先，随着大模型越来越复杂，云端和本地之间的传输在有限带宽下变得捉襟见肘，比如一架波音787飞机每秒钟产生5g的数据，如果上传到云端、计算、输出结果再返回，飞机可能已经飞出去几公里了(按照800公里/小时估算)。如果在飞机上使用ai功能但是在云端部署，这样的传输速度是无法满足要求的。

此外，一些用户敏感数据、隐私数据，是否一定要上云?显然放在本地比云端更让用户放心。

不论生成式ai多么强大，如何部署到本地始终是一个无法绕开的问题。这是行业发展的趋势，虽然目前面临一些困难。

困难在于，如何把“大模型”装入“小设备”。注意，这里的“大小”是相对而言的。云端计算的背后可能是一个占地几万平方米的计算中心，而本地部署却要让生成式ai在你的手机上跑起来。手机没有液氮冷却，也没有无穷无尽的电力，该如何部署ai呢?

异构计算，一种可能的人生就是博官网的解决方案?

高通的异构计算ai引擎(以下皆称作高通ai引擎)为行业提供了一种可行的人生就是博官网的解决方案。即通过cpu、gpu、npu以及高通传感器中枢和内存子系统的协作，实现了ai部署和大幅度提升ai体验的目的。

图：专门的工业设计让不同计算单元更紧凑 来源：高通

不同类型的处理器所擅长的工作不同，异构计算的原理就是让“专业的人做专业的事”。cpu擅长顺序控制，适用于需要低延时的应用场景，同时，一些较小的传统模型如卷积神经网络模型(cnn)，或一些特定的大语言模型(llm)，cpu处理起来也能得心应手。而gpu更擅长面向高精度格式的并行处理，比如对画质要求非常高的视频、游戏。

cpu和gpu出镜率很高，大众已经相当熟悉，而npu相对而言更像一种新技术。npu即神经网络处理器，专门为实现低功耗、加速ai推理而打造。当我们在持续使用ai时，需要以低功耗稳定输出高峰值性能，npu就可以发挥最大优势。

举个例子，当用户在玩一款重负载的游戏，此时gpu会被完全占用，或者用户在浏览多个网页，cpu又被完全占用。此时，npu作为真正的ai专用引擎就会负担起和ai有关的计算，保证用户的ai体验流畅。

总结起来说就是，cpu和gpu是通用处理器，为灵活性而设计，易于编程，本职工作是负责操作系统、游戏和其他应用。npu则为ai而生，ai是它的本职工作，通过牺牲部分易编程特性而实现了更高的峰值性能和能效，一路为用户的ai体验护航。

当我们把 cpu、gpu、npu 以及高通传感器中枢和内存子系统集成在一起，就是异构计算架构。

图：高通ai引擎包括hexagon npu、adreno gpu、高通oryon或 kryo cpu、高通传感器中枢和内存子系统 来源：高通

高通ai引擎整合了高通 oryon 或 kryo cpu、 adreno gpu 、 hexagon npu 以及高通传感器中枢和内存子系统。hexagon npu作为其中的核心组件，经过多年的升级迭代，目前已达到业界领先的ai处理水平。以手机平台为例，集成高通 ai 引擎的第三代骁龙 8 支持行业领先的lpddr5x内存，频率高达4.8ghz，使其能够以非常高速的芯片内存读取速度运行大型语言模型，如百川、llama 2等，从而实现非常快的token生成速率，为用户带来全新的体验。

图：npu随着不断变化的ai用例和模型持续演进，实现高性能低功耗 来源：高通

高通对npu的研究，并不是近几年才开始的。如果要追溯hexagon npu的起源，要回到2007年，也就是生成式ai走入公众视野的15年前。高通发布的首款hexagon dsp在骁龙平台上亮相，dsp控制和标量架构成为了高通未来多代npu的基础。

8年后，也就是2015年，骁龙820处理器集成了首个高通ai引擎;

2018年，高通在骁龙855中为hexagon npu增加了张量加速器;

2019年，高通在骁龙865上扩展了终端侧ai用例，包括ai成像、ai视频、ai语音等功能;

2020年，hexagon npu迎来变革型架构更新。标量、向量、张量加速器融合，这为高通未来的npu架构奠定了基础;

2022年，第二代骁龙8中的hexagon npu引入了一系列重大技术提升。微切片技术提升了内存效率，功耗降低继续降低并且实现了4.35倍的ai性能提升。

2023年10月25日，高通正式发布第三代骁龙8。作为高通技术公司首个专为生成式ai而精心打造的移动平台，其集成的hexagon npu是目前高通面向生成式ai最新、也是最好的设计。

由于高通为ai开发者和下游厂商提供的是全套人生就是博官网的解决方案(这部分内容会在第三部分详细叙述)，并非单独提供芯片或者某个软件应用。这意味着在硬件设计上和优化上，高通可以通盘考虑，找出目前ai开发的瓶颈，做有针对性地提升。

比如，为何要特别在意内存带宽这个技术点?当我们把视角从芯片上升到ai大模型开发，就会发现内存带宽是大语言模型token生成的瓶颈。第三代骁龙8的npu架构之所以能帮助加速开发ai大模型，原因之一便在于专门提升了内存带宽的效率。

这种效率的提升主要受益于两项技术的应用。

第一是微切片推理。通过将神经网络分割成多个独立执行的微切片，消除了高达10余层的内存占用，此举最大化利用了hexagon npu中的标量、向量和张量加速器并降低功耗。第二是本地4位整数(int4)运算。它能将int4层和神经网络和张量加速吞吐量提高一倍，同时提升了内存带宽效率。

图：第三代骁龙8的hexagon npu以低功耗实现更佳的ai性能

2月26日，世界移动通信大会(mwc 2024)在巴塞罗那拉开帷幕。基于骁龙x elite，高通向全世界展示了全球首个在终端侧运行的超过70亿参数的大型多模态语言模型(lmm)。该模型可接收文本和音频输入(如音乐、交通环境音频等)，并基于音频内容生成多轮对话。

所以，在集成了hexagon npu的移动终端上，会有怎样的ai体验?以及它是如何做到的?高通详细拆解了一个案例。

借助移动终端的ai旅行助手，用户可以直接对模型提出规划旅游行程的需求。ai助手可以立刻给到航班行程建议，并且通过语音对话调整输出结果，最后通过skyscanner插件创建完整航班日程。

这种一步到位的体验是如何实现的?

第一步，用户的语音通过自动语音识别(asr)模型whisper转化成文本。该模型有2.4亿个参数，主要在高通传感器中枢上运行;

第二步，利用llama 2或百川大语言模型基于文本内容生成文本回复，这一模型在hexagon npu上运行;

第三步，通过在cpu上运行的开源tts(text to speech)模型将文本转化为语音;

最后一步，通过调制解调器技术进行网络连接，使用skyscanner插件完成订票操作。

行业井喷前夕，开发者需要抢占先机

使用不同的工具测试骁龙和高通平台的ai性能表现，可以发现其得分比同类竞品高出几倍。从鲁大师aimark v4.3基准测试结果来看，第三代骁龙8的总分相较竞品b高出5.7倍，而相较竞品c高出7.9倍。

在安兔兔aitutu基准测试中，第三代骁龙8的总分比竞品b高出6.3倍。针对mlcommon mlperf推理的不同子项，包括图像分类、语言理解以及超级分辨率等，也进行了详尽的比较。

进一步对比骁龙x elite与其他x86架构竞品，在resnet-50、deeplabv3等测试中，骁龙x elite表现出明显的领先地位，其基准测试总分分别是x86架构竞品a的3.4倍和竞品b的8.6倍。因此，在pc端，无论是运行microsoft copilot，还是进行文档摘要、文档撰写等生成式ai应用，体验都十分流畅。

领先的ai性能不全是高通ai引擎的功劳，确切的说，高通对ai厂商的赋能是全方位的。

首先是高通ai引擎。它包括hexagon npu、adreno gpu、高通oryon cpu(pc平台)、高通传感器中枢和内存子系统。专门的工业设计、不同部件之间良好的协同，这款异构计算架构为终端侧产品提供了低功耗、高能效的开发平台。

基于先进的硬件，高通又推出了ai软件栈(高通ai stack)。这款产品的诞生是为了解决ai开发中的顽疾——同一个功能，针对不同平台要多次开发，重复劳动。ai stack支持目前所有的主流ai框架，oem厂商和开发者可以在平台上创建、优化和部署ai应用，并且能实现“一次开发，全平台部署”，大大减少了研发人员的重复劳动。

图：高通ai软件栈帮助开发者“一次开发，全平台部署” 来源：高通

此外，还有高通在mwc2024上刚刚发布的ai hub。ai hub是一个包含了近80个ai模型的模型库，其中既有生成式ai模型，也有传统ai模型，还包括图像识别或面部识别模型，百川、stable diffusion、whisper等模型。开发者可以从ai hub中选取想要使用的模型生成二进制插件，做到ai 开发的“即插即用”。

综合来说，如果纵向看深度，高通在硬件(ai引擎)、软件(ai stack)和素材库(ai hub)三个维度全面加速厂商的ai开发进度。横向看覆盖广度，高通的产品已经覆盖了几乎所有的终端侧设备(第三代骁龙8支持手机等终端，x elite赋能ai pc产品)。

ai应用处于井喷前的酝酿期。

在教育领域，ai能针对学生的学习能力和进度制定个性化的教学方案;在医学领域， ai可以用来发掘全新的抗生素类型;在养老方面，未来在一些社会老龄化问题比较严重的地区，可以利用ai终端收集老年人家中的所有个人数据，从而帮助预防紧急医疗事故。

之所以叫“井喷前”，正是因为还没有大规模部署。另一方面，ai应用，作为最容易让用户产生粘性的产品之一，具有很强的先发优势效应。

ai产品开发者需要先行一步，早一些让用户体验自己的产品，和用户建立连接，培养粘性，从而在竞争中占得先机。

(文章转载自deeptech深科技)

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。