人工智能推動(dòng)了互聯(lián)網(wǎng)形態(tài)的新變化。

如果說(shuō)從 PC 互聯(lián)網(wǎng)到

移動(dòng)互聯(lián)網(wǎng)是一次大的跨越，

那么，現(xiàn)在我們又面臨著

移動(dòng)互聯(lián)網(wǎng)向智能互聯(lián)網(wǎng)的一次新跨越。

在我們預(yù)想中的世界里，人工智能將使終端、機(jī)器、汽車和萬(wàn)物都變得更加智能，簡(jiǎn)化并豐富我們的日常生活。它們將能夠基于場(chǎng)景認(rèn)知，進(jìn)行感知、推理并采取直觀行動(dòng)，改善目前我們提供給用戶的所有體驗(yàn)，并解決我們目前更多交給常規(guī)算法所去處理的相關(guān)問(wèn)題。

人工智能（AI）正是驅(qū)動(dòng)這次革命的技術(shù)。你可能聽(tīng)說(shuō)過(guò)這一愿景，或認(rèn)為人工智能只和大數(shù)據(jù)、云端有關(guān)，但 Qualcomm 的解決方案已具備合適的功耗、散熱和處理效率，讓強(qiáng)大的人工智能算法在實(shí)際的終端上運(yùn)行，而這將帶來(lái)諸多優(yōu)勢(shì)。

得益于現(xiàn)代終端設(shè)備對(duì)大量數(shù)據(jù)的掌握，以及在算法和處理能力方面的提升，人工智能成為了快速增長(zhǎng)的普遍趨勢(shì)。新技術(shù)似乎總是出其不意地出現(xiàn)，但在時(shí)機(jī)成熟并取得關(guān)鍵進(jìn)展之前，研究人員和工程師們通常需要辛苦鉆研很多年。

在 Qualcomm，創(chuàng)新是我們的企業(yè)文化。我們?yōu)檠邪l(fā)出大規(guī)模改變世界的基礎(chǔ)技術(shù)而深感自豪。在人工智能方面也不例外。我們于十年前就開(kāi)始了基礎(chǔ)研究，目前我們的現(xiàn)有產(chǎn)品支持了許多人工智能用例：從計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理，到各種終端，如智能手機(jī)和汽車上的惡意軟件偵測(cè)。同時(shí)，我們正在研究更廣泛的課題，例如面向無(wú)線連接、電源管理和攝影的人工智能。

我們?cè)?a target="_blank">機(jī)器學(xué)習(xí)方面有著深厚積累

我們對(duì)機(jī)器學(xué)習(xí)的投入有著悠久的歷史。自 2007 年，Qualcomm 開(kāi)始探索面向計(jì)算機(jī)視覺(jué)和運(yùn)動(dòng)控制應(yīng)用的機(jī)器學(xué)習(xí)脈沖神經(jīng)方法，隨后還將其研究范圍從仿生方法拓展到了人工神經(jīng)網(wǎng)絡(luò)——主要是深度學(xué)習(xí)領(lǐng)域（這是機(jī)器學(xué)習(xí)的一個(gè)子范疇）。我們多次見(jiàn)證了基于深度學(xué)習(xí)的網(wǎng)絡(luò)在模式匹配任務(wù)中展現(xiàn)出一流的成果。一個(gè)令人矚目的例子就是，2012 年 AlexNet 利用深度學(xué)習(xí)技術(shù)（而非傳統(tǒng)手作計(jì)算機(jī)視覺(jué)）贏得 ImageNet 比賽。我們自己也在 ImageNet 挑戰(zhàn)賽中利用深度學(xué)習(xí)技術(shù)獲得成功，在物體定位、物體偵測(cè)和場(chǎng)景分類比賽中名列前三名。

我們還將自主研究和與外界人工智能團(tuán)體合作的領(lǐng)域擴(kuò)展到諸如遞歸神經(jīng)網(wǎng)絡(luò)、物體跟蹤、自然語(yǔ)言處理和手寫識(shí)別等其他前景廣闊的領(lǐng)域和機(jī)器學(xué)習(xí)應(yīng)用等。2014 年 9 月，我們?cè)诎⒛匪固氐ら_(kāi)設(shè)了 Qualcomm Research 荷蘭分支，作為機(jī)器學(xué)習(xí)研究的基地。我們通過(guò) Qualcomm 創(chuàng)新獎(jiǎng)學(xué)金計(jì)劃與博士研究生緊密合作，開(kāi)展前瞻性的理念研究。2015 年 9 月，我們與阿姆斯特丹大學(xué)（QUVA）建立聯(lián)合研究實(shí)驗(yàn)室，專注于推動(dòng)面向移動(dòng)計(jì)算機(jī)視覺(jué)的、最先進(jìn)的機(jī)器學(xué)習(xí)技術(shù)發(fā)展。通過(guò)收購(gòu)位于阿姆斯特丹的領(lǐng)先人工智能公司 Scyfer，我們進(jìn)一步深化與阿姆斯特丹人工智能業(yè)界的合作關(guān)系。Scyfer 的創(chuàng)始 人Max Welling 是阿姆斯特丹大學(xué)知名教授，主攻機(jī)器學(xué)習(xí)、計(jì)算統(tǒng)計(jì)學(xué)和人工智能基礎(chǔ)研究。Scyfer 專注于應(yīng)用廣泛的機(jī)器學(xué)習(xí)方法以解決實(shí)際問(wèn)題。Scyfer 團(tuán)隊(duì)將加入 Qualcomm Research 機(jī)器學(xué)習(xí)團(tuán)隊(duì)。

支持終端側(cè)機(jī)器學(xué)習(xí)的出色功耗和性能

為了實(shí)現(xiàn)我們的智能終端愿景，我們也意識(shí)到基于機(jī)器學(xué)習(xí)的解決方案需要在終端上運(yùn)行，無(wú)論終端是智能手機(jī)、汽車、機(jī)器人、無(wú)人機(jī)、機(jī)器或是其他設(shè)備。與在云端運(yùn)行的人工智能相比，在終端側(cè)運(yùn)行人工智能算法——亦稱推理，具有諸多優(yōu)勢(shì)，例如即時(shí)響應(yīng)、可靠性提升、隱私保護(hù)增強(qiáng)，以及高效利用網(wǎng)絡(luò)帶寬。

當(dāng)然，云端仍然十分重要，并作為終端側(cè)處理的補(bǔ)充而存在。云端對(duì)匯集大數(shù)據(jù)以及在終端上運(yùn)行的許多人工智能推理算法的訓(xùn)練（現(xiàn)階段）是必要的。但是，在很多情況下，完全基于云端運(yùn)行的推理在自動(dòng)駕駛等時(shí)延敏感和關(guān)鍵型任務(wù)的實(shí)時(shí)應(yīng)用中會(huì)遇到問(wèn)題。此類應(yīng)用無(wú)法負(fù)擔(dān)數(shù)據(jù)傳輸往返的時(shí)間，或在無(wú)線覆蓋變化時(shí)依靠關(guān)鍵功能運(yùn)行。進(jìn)一步講，終端側(cè)推理從本質(zhì)來(lái)說(shuō)更加私密。

我們不想把自己僅僅局限在運(yùn)行終端側(cè)推理。我們也與云端協(xié)同合作，面向手勢(shì)識(shí)別、連續(xù)認(rèn)證、個(gè)性化用戶界面和面向自動(dòng)駕駛的精密地圖構(gòu)建等使用場(chǎng)景進(jìn)行終端側(cè)人工智能訓(xùn)練。實(shí)際上，得益于高速連接和高性能本地處理，我們有獨(dú)特的能力去探索未來(lái)架構(gòu)，實(shí)現(xiàn)最佳的總體系統(tǒng)性能。

高效運(yùn)行終端側(cè)人工智能需要異構(gòu)計(jì)算

十多年來(lái)，Qualcomm 一直專注于在移動(dòng)終端的功耗、散熱和尺寸限制之內(nèi)，高效地處理多種計(jì)算工作負(fù)載。驍龍移動(dòng)平臺(tái)是最高性能移動(dòng)終端的首選系統(tǒng)級(jí)芯片（SoC）。人工智能工作負(fù)載在這方面提出了另一個(gè)挑戰(zhàn)。通過(guò)在適宜的計(jì)算引擎上運(yùn)行各種機(jī)器學(xué)習(xí)任務(wù)（如 CPU、GPU 和 DSP 等），我們能提供最高效的解決方案。這已經(jīng)集成在了我們的 SoC 中。Qualcomm Hexagon DSP 就是一個(gè)典型范例，它最初是面向其他向量數(shù)學(xué)密集型工作而設(shè)計(jì)，但已通過(guò)進(jìn)一步增強(qiáng)用來(lái)解決人工智能的工作負(fù)載。實(shí)際上，在驍龍835 上支持 Qualcomm Hexagon 向量擴(kuò)展的 Hexagon DSP，與 Qualcomm Kryo CPU 相比，在運(yùn)行相同工作負(fù)載時(shí)（GoogleNet Inception網(wǎng)絡(luò)）能夠?qū)崿F(xiàn) 25 倍能效提升和 8 倍性能提升。

架構(gòu)的多樣性是至關(guān)重要的，你不能僅依賴某一類引擎處理所有工作。我們將持續(xù)演進(jìn)面向機(jī)器學(xué)習(xí)工作負(fù)載的現(xiàn)有引擎，保持我們?cè)谛阅鼙憩F(xiàn)最大化上的領(lǐng)先優(yōu)勢(shì)。利用我們對(duì)新興神經(jīng)網(wǎng)絡(luò)的研究，我們?cè)趯Ｗ⑻嵘阅鼙憩F(xiàn)，以擴(kuò)展異構(gòu)計(jì)算能力，應(yīng)對(duì)未來(lái)人工智能工作負(fù)載上已具備了優(yōu)勢(shì)。實(shí)際上早在 2012 年，我們已預(yù)見(jiàn)了通過(guò)專用硬件高效運(yùn)行人工智能的構(gòu)想。

我們正大規(guī)模普及人工智能

讓開(kāi)發(fā)者能簡(jiǎn)單利用異構(gòu)計(jì)算并非易事，僅有優(yōu)良硬件還不夠。為了彌補(bǔ)這一差距，我們發(fā)布了驍龍神經(jīng)處理引擎（NPE）軟件開(kāi)發(fā)包（SDK）。它能縮短終端側(cè)卷積神經(jīng)網(wǎng)絡(luò)（CNN）和遞歸神經(jīng)網(wǎng)絡(luò)（RNN）在合適的驍龍引擎（例如 Kryo CPU、Qualcomm Adreno GPU 和 Hexagon DSP）上的運(yùn)行時(shí)間，對(duì)圖形識(shí)別和自然語(yǔ)言處理分別都有著重要作用。相同的開(kāi)發(fā)者 API 給每個(gè)引擎都提供接入口，從而使開(kāi)發(fā)者能夠方便地?zé)o縫切換人工智能任務(wù)。

該神經(jīng)處理引擎還支持通用深度學(xué)習(xí)模型框架，例如 Caffe/Caffe2 和 TensorFlow。該 SDK 是利用驍龍技術(shù)提供最佳性能和功耗的輕量靈活平臺(tái)，旨在幫助從醫(yī)療健康到安全的廣泛行業(yè)內(nèi)的開(kāi)發(fā)者和 OEM 廠商，在便攜式終端上運(yùn)行它們自己的專有神經(jīng)網(wǎng)絡(luò)模型。例如，今年的 F8 大會(huì)上，F(xiàn)acebook 和 Qualcomm 宣布合作，支持優(yōu)化 Facebook 開(kāi)源深度學(xué)習(xí)框架 Caffe2，以及 NPE 框架。

持續(xù)研究擴(kuò)展人工智能范圍，帶來(lái)效率提升

我們正處于機(jī)器學(xué)習(xí)發(fā)展征程的最初期，深度學(xué)習(xí)也僅是具備改變計(jì)算潛力的多項(xiàng)機(jī)器學(xué)習(xí)技術(shù)之一。

為了實(shí)現(xiàn)更復(fù)雜的應(yīng)用，我們?cè)诙鄠€(gè)領(lǐng)域持續(xù)前進(jìn)：

• 專門的硬件架構(gòu)：持續(xù)關(guān)注低功耗硬件（無(wú)論增強(qiáng)型、專用型還是定制型），以處理這些機(jī)器學(xué)習(xí)工作負(fù)載；

• 神經(jīng)網(wǎng)絡(luò)技術(shù)的提升：針對(duì)半監(jiān)督和無(wú)監(jiān)督訓(xùn)練進(jìn)行相關(guān)研究，如生成式對(duì)抗網(wǎng)絡(luò)（GANs）、分布式學(xué)習(xí)和隱私保護(hù)；

• 面向終端側(cè)應(yīng)用的網(wǎng)絡(luò)優(yōu)化：進(jìn)行壓縮、層間優(yōu)化、稀疏優(yōu)化，以及更好地利用內(nèi)存和空間/時(shí)間復(fù)雜度的其他技術(shù)的相關(guān)研究；

在終端側(cè)完成全部或大部分思考的、“始終開(kāi)啟”的智能終端中蘊(yùn)藏著巨大的機(jī)遇，我們期待通過(guò)研究和產(chǎn)品化推動(dòng)先進(jìn)機(jī)器學(xué)習(xí)的發(fā)展。目前，Qualcomm 人工智能平臺(tái)可通過(guò)高效的終端側(cè)機(jī)器學(xué)習(xí)，提供高度響應(yīng)、高度安全且直觀的用戶體驗(yàn)。未來(lái)還有更多可能。