此外，深度神經(jīng)網(wǎng)絡的能耗與其規(guī)模大小也成正比。資料顯示，到2025年，神經(jīng)網(wǎng)絡的繼續(xù)發(fā)展有望將其規(guī)模擴大至100萬億個參數(shù)，相當于人類大腦的容量，這樣規(guī)模的神經(jīng)網(wǎng)絡將消耗大量能源。人類大腦的能效比當前最優(yōu)秀硬件的能效要高100倍，因此我們應該從大腦得到啟發(fā)，發(fā)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(zhàn)

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(zhàn)。第一，人工智能創(chuàng)造的經(jīng)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(fā)的這些卓越的人工智能技術也就無所用處。不管是社交網(wǎng)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(nèi)。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(zhàn)，是因為在邊緣側(cè)也就是移動環(huán)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(fā)性即在一段時間內(nèi)同時完成多項任務，還需要保證實時和始終開啟，移動環(huán)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(xù)航以支持全天使用。此外，受尺寸影響，移動終端的內(nèi)存和帶寬也都有限制。

“所以說，不管是從經(jīng)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(jié)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(yōu)勢，低功耗計算正是我們一直以來所擅長的。”

Qualcomm在終端側(cè)讓深度學習更加高效

深度學習是人工智能發(fā)展歷程中的一次重要變革，受神經(jīng)網(wǎng)絡的大幅發(fā)展所驅(qū)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(shù)據(jù)中人工定義特性，而是應該讓算法從原始數(shù)據(jù)中自行學習提取特性，這是一個巨大的突破。神經(jīng)網(wǎng)絡的優(yōu)點還包括，它能夠自動探測物體，非常高效地共享參數(shù)，使部分數(shù)據(jù)更加高效，并且可以在現(xiàn)代硬件上快速執(zhí)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(jīng)網(wǎng)絡使用了太多的內(nèi)存、計算能力和能源，這是現(xiàn)在急需改善的。此外，神經(jīng)網(wǎng)絡不具備旋轉(zhuǎn)不變性、不能量化不確定性以及它很容易被輸入側(cè)輕微的改變所欺騙等。

為應對這些挑戰(zhàn)，Qualcomm開展了大量的工作。在降低能耗方面，受人類大腦的啟發(fā)，Qualcomm早在超過十年前就已經(jīng)開始了脈沖神經(jīng)網(wǎng)絡的研究，這也是實現(xiàn)低功耗計算的一種方法。現(xiàn)在同樣受人腦的啟發(fā)，Qualcomm正考慮利用噪音來實現(xiàn)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(tǒng)，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(jīng)網(wǎng)絡帶來益處。在專業(yè)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(xiàn)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(jīng)網(wǎng)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(jīng)網(wǎng)絡，繼而影響到各個參數(shù)和連接，然后這些擾動的參數(shù)將噪聲傳播到激活節(jié)點，也就是各個神經(jīng)元。如果這些神經(jīng)元充滿了噪音、不存儲任何信息、或?qū)︻A測不能發(fā)揮任何作用，我們就對其進行裁剪。通過裁剪神經(jīng)元，神經(jīng)網(wǎng)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(jīng)網(wǎng)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(xiàn)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?qū)?shù)據(jù)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(chǎn)生置信估計，即量化神經(jīng)網(wǎng)絡的不確定性。當我們加入噪聲，噪聲將傳播至預測，從而產(chǎn)生預測的分布區(qū)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(cè)的輕微改變來得到不同的預測結(jié)果。它也有助于保護用戶的個人隱私，因為數(shù)據(jù)信息可以轉(zhuǎn)換為模型參數(shù)甚至可以進行重構，使得數(shù)據(jù)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(jīng)網(wǎng)絡所面臨的諸多挑戰(zhàn)。

“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(yōu)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(jù)介紹，目前Qualcomm異構計算系統(tǒng)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(chǎn)品研發(fā)周期內(nèi)，Qualcomm都從多個維度持續(xù)提升這三大組件。舉例來說，在緩存結(jié)構(caching structure)上，Qualcomm不斷優(yōu)化內(nèi)存工作方式;持續(xù)優(yōu)化精確性，通過最低的能耗實現(xiàn)對精確度優(yōu)化;優(yōu)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(lián)的環(huán)境下，將計算放在由終端及云端組成的整個網(wǎng)絡中運行，為網(wǎng)絡邊緣帶來強大的人工智能系統(tǒng)。”

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(nèi)存層級及使用層面的優(yōu)化和提升。在計算架構方面，Qualcomm專注于優(yōu)化指令類型和并行性，以及優(yōu)化運行計算所需的精確度，貝葉斯深度學習可以幫助實現(xiàn)最佳的運行精確度。同樣重要甚至更為重要的是內(nèi)存層級。據(jù)估計，從DRAM遷移數(shù)據(jù)或?qū)?shù)據(jù)遷移至DRAM的功耗，是ALU運算(ALU Operation)功耗的200倍，因此，需要優(yōu)化內(nèi)存層級以降低數(shù)據(jù)移動的功耗。

在使用層面，Qualcomm致力于優(yōu)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(nèi)存帶寬。

韋靈思補充道：“由硬件、軟件和算法構成的生態(tài)系統(tǒng)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(xiàn)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(jīng)網(wǎng)絡，以及為高效運行神經(jīng)網(wǎng)絡而開發(fā)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(xiàn)，也就是我們的驍龍神經(jīng)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(jīng)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。”