此外，深度神經網絡的能耗與其規模大小也成正比。資料顯示，到2025年，神經網絡的繼續發展有望將其規模擴大至100萬億個參數，相當于人類大腦的容量，這樣規模的神經網絡將消耗大量能源。人類大腦的能效比當前最優秀硬件的能效要高100倍，因此我們應該從大腦得到啟發，發展能效更高的人工智能技術。

圖為 Qualcomm技術副總裁韋靈思

人工智能的能耗問題具備兩大挑戰

在Qualcomm技術副總裁韋靈思看來，人工智能的能耗問題存在兩個重要的挑戰。第一，人工智能創造的經濟價值和效益必須超過運行這個服務的成本，否則人們將無法盈利，人們開發的這些卓越的人工智能技術也就無所用處。不管是社交網絡上按用戶喜好排序，或者是個性化的廣告和推薦，它的應用成本都需要控制在一定范圍內。此外，人工智能還被應用到大型的智慧城市和智慧工廠中，同樣需要控制成本。

Qualcomm技術副總裁韋靈思

第二，人工智能能效問題也是一大挑戰，是因為在邊緣側也就是移動環境中，還存在散熱的限制。比如說，我們不能在手機里運行能耗過高的任務，否則手機就會變得非常熱。但同時，我們需要處理大量的人工智能工作負載，包括完成非常密集的計算分析任務、處理復雜的并發性即在一段時間內同時完成多項任務，還需要保證實時和始終開啟，移動環境又有多種多樣的限制條件，比如說終端的尺寸很小，又需要保證長久續航以支持全天使用。此外，受尺寸影響，移動終端的內存和帶寬也都有限制。

“所以說，不管是從經濟效益還是熱效率的角度看，我們都必須要降低人工智能運行的能耗。” 韋靈思總結到：“我認為未來人工智能算法將不會由其所能提供的智能多少來衡量，而是要看這種算法每瓦時所提供的智能多少，這會成為未來人工智能算法的重要衡量指標。在此方面Qualcomm擁有很大的優勢，低功耗計算正是我們一直以來所擅長的。”

Qualcomm在終端側讓深度學習更加高效

深度學習是人工智能發展歷程中的一次重要變革，受神經網絡的大幅發展所驅動，深度學習顯著提高了預測的準確性。此外，韋靈思表示我們不應該從聲音、信號等大量原始數據中人工定義特性，而是應該讓算法從原始數據中自行學習提取特性，這是一個巨大的突破。神經網絡的優點還包括，它能夠自動探測物體，非常高效地共享參數，使部分數據更加高效，并且可以在現代硬件上快速執行。

當然，深度學習也有需要改進的方面，在韋靈思看來，最重要的一點是，卷積神經網絡使用了太多的內存、計算能力和能源，這是現在急需改善的。此外，神經網絡不具備旋轉不變性、不能量化不確定性以及它很容易被輸入側輕微的改變所欺騙等。

為應對這些挑戰，Qualcomm開展了大量的工作。在降低能耗方面，受人類大腦的啟發，Qualcomm早在超過十年前就已經開始了脈沖神經網絡的研究，這也是實現低功耗計算的一種方法。現在同樣受人腦的啟發，Qualcomm正考慮利用噪音來實現深度學習方面的低功耗計算。

韋靈思解釋稱：“人腦其實是一個充滿噪聲的系統，它知道如何處理噪音。我相信，我們可以更進一步利用噪音來為神經網絡帶來益處。在專業領域，我們將這種方法稱為貝葉斯深度學習，這也是我們實現這一切的重要基礎性框架。通過貝葉斯深度學習，我們把神經網絡壓縮得更小，使其可以更高效地運行在驍龍平臺上。我們還通過使用這一框架，量化我們需要進行的計算處理的比特位。”

談及這些噪音如何幫助我們進行壓縮和量化時，韋靈思講到，我們將噪聲引入到神經網絡，繼而影響到各個參數和連接，然后這些擾動的參數將噪聲傳播到激活節點，也就是各個神經元。如果這些神經元充滿了噪音、不存儲任何信息、或對預測不能發揮任何作用，我們就對其進行裁剪。通過裁剪神經元，神經網絡會變得更小，從而在計算機和驍龍平臺上也將會運行得更快。

剛剛談到了使用貝葉斯框架進行壓縮與量化，事實上它還可以解決許多其他問題。如果神經網絡只進行過面向某一場景的訓練，例如一臺自動駕駛汽車只接受過某一城市的相關訓練，現在這臺汽車來到另一個新的城市，你可以使用貝葉斯深度學習進行泛化。Qualcomm的思路是，能夠對數據做出解釋的最小、最簡單的模型即為最適合的模型，這就是奧卡姆剃刀。貝葉斯學習還可以幫助我們產生置信估計，即量化神經網絡的不確定性。當我們加入噪聲，噪聲將傳播至預測，從而產生預測的分布區間，由此完成對預測置信度的量化。最后，貝葉斯學習可以幫助我們不易遭受對抗攻擊，即通過輸入側的輕微改變來得到不同的預測結果。它也有助于保護用戶的個人隱私，因為數據信息可以轉換為模型參數甚至可以進行重構，使得數據具有隱私敏感度。所以說通過加入噪聲，可以很好地幫助我們保護隱私。總體而言，貝葉斯深度學習可以很好地解決深度神經網絡所面臨的諸多挑戰。

“隨著壓縮比越來越大，貝葉斯深度學習相比于其他方法的性能優勢就越明顯，其在移動平臺上的運行也更為高效，這就是為什么我們認為貝葉斯深度學習尤其適合移動場景。” 韋靈思進一步講到。

此外，據介紹，目前Qualcomm異構計算系統中包括了三個組件，分別是CPU、GPU和DSP。超過十年來，在每一個產品研發周期內，Qualcomm都從多個維度持續提升這三大組件。舉例來說，在緩存結構(caching structure)上，Qualcomm不斷優化內存工作方式;持續優化精確性，通過最低的能耗實現對精確度優化;優化計算管理，比如說當有一個計算任務，可以選擇讓GPU、CPU或是DSP完成，或者讓所有組件共同完成。雖然目前只對單一終端上的計算進行管理，但Qualcomm有更遠大的愿景，在即將到來的5G時代，Qualcomm將在萬物互聯的環境下，將計算放在由終端及云端組成的整個網絡中運行，為網絡邊緣帶來強大的人工智能系統。”

Qualcomm三層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，包括對計算架構、內存層級及使用層面的優化和提升。在計算架構方面，Qualcomm專注于優化指令類型和并行性，以及優化運行計算所需的精確度，貝葉斯深度學習可以幫助實現最佳的運行精確度。同樣重要甚至更為重要的是內存層級。據估計，從DRAM遷移數據或將數據遷移至DRAM的功耗，是ALU運算(ALU Operation)功耗的200倍，因此，需要優化內存層級以降低數據移動的功耗。

在使用層面，Qualcomm致力于優化硬件、軟件和編譯器，從而減少計算的冗余并最大化計算吞吐量和內存帶寬。

韋靈思補充道：“由硬件、軟件和算法構成的生態系統對我們來說至關重要。高效的硬件將不斷演進，以適應在人工智能領域出現的全新算法。”

他進一步講到：“我們關注如何在硬件上更高效地運行卷積神經網絡，以及為高效運行神經網絡而開發更高效的新硬件。在算法方面，確保算法在驍龍平臺上的高效運行。這一切都需要通過軟件工具來實現，也就是我們的驍龍神經處理SDK。大家可以將軟件看成是連接硬件和算法之間的橋梁。比如說，你在驍龍平臺上構建你最喜歡的模型，或進行你最喜歡的人工智能測試，當你將模型放到神經處理SDK中，這些可用的軟件工具將幫助你進行壓縮和量化，從而確保你的模型或測試在驍龍平臺上高效運行。”