GPU之后，NPU再成标配，手机、PC如何承载AI大模型？

2024/03/12 10:40 IT产业网

　　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”。