人工智能推動了互聯(lián)網(wǎng)形態(tài)的新變化。

如果說從 PC 互聯(lián)網(wǎng)到

移動互聯(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、機器、汽車和萬物都變得更加智能，簡化并豐富我們的日常生活。它們將能夠基于場景認知，進行感知、推理并采取直觀行動，改善目前我們提供給用戶的所有體驗，并解決我們目前更多交給常規(guī)算法所去處理的相關(guān)問題。

人工智能（AI）正是驅(qū)動這次革命的技術(shù)。你可能聽說過這一愿景，或認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，讓強大的人工智能算法在實際的終端上運行，而這將帶來諸多優(yōu)勢。

得益于現(xiàn)代終端設(shè)備對大量數(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的普遍趨勢。新技術(shù)似乎總是出其不意地出現(xiàn)，但在時機成熟并取得關(guān)鍵進展之前，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：從計算機視覺和自然語言處理，到各種終端，如智能手機和汽車上的惡意軟件偵測。同時，我們正在研究更廣泛的課題，例如面向無線連接、電源管理和攝影的人工智能。

我們在機器學(xué)習(xí)方面有著深厚積累

我們對機器學(xué)習(xí)的投入有著悠久的歷史。自 2007 年，Qualcomm 開始探索面向計算機視覺和運動控制應(yīng)用的機器學(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（這是機器學(xué)習(xí)的一個子范疇）。我們多次見證了基于深度學(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)手作計算機視覺）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、物體偵測和場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體合作的領(lǐng)域擴展到諸如遞歸神經(jīng)網(wǎng)絡(luò)、物體跟蹤、自然語言處理和手寫識別等其他前景廣闊的領(lǐng)域和機器學(xué)習(xí)應(yīng)用等。2014 年 9 月，我們在阿姆斯特丹開設(shè)了 Qualcomm Research 荷蘭分支，作為機器學(xué)習(xí)研究的基地。我們通過 Qualcomm 創(chuàng)新獎學(xué)金計劃與博士研究生緊密合作，開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)合研究實驗室，專注于推動面向移動計算機視覺的、最先進的機器學(xué)習(xí)技術(shù)發(fā)展。通過收購位于阿姆斯特丹的領(lǐng)先人工智能公司 Scyfer，我們進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，主攻機器學(xué)習(xí)、計算統(tǒng)計學(xué)和人工智能基礎(chǔ)研究。Scyfer 專注于應(yīng)用廣泛的機器學(xué)習(xí)方法以解決實際問題。Scyfer 團隊將加入 Qualcomm Research 機器學(xué)習(xí)團隊。

支持終端側(cè)機器學(xué)習(xí)的出色功耗和性能

為了實現(xiàn)我們的智能終端愿景，我們也意識到基于機器學(xué)習(xí)的解決方案需要在終端上運行，無論終端是智能手機、汽車、機器人、無人機、機器或是其他設(shè)備。與在云端運行的人工智能相比，在終端側(cè)運行人工智能算法——亦稱推理，具有諸多優(yōu)勢，例如即時響應(yīng)、可靠性提升、隱私保護增強，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)處理的補充而存在。云端對匯集大數(shù)據(jù)以及在終端上運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，完全基于云端運行的推理在自動駕駛等時延敏感和關(guān)鍵型任務(wù)的實時應(yīng)用中會遇到問題。此類應(yīng)用無法負擔(dān)數(shù)據(jù)傳輸往返的時間，或在無線覆蓋變化時依靠關(guān)鍵功能運行。進一步講，終端側(cè)推理從本質(zhì)來說更加私密。

我們不想把自己僅僅局限在運行終端側(cè)推理。我們也與云端協(xié)同合作，面向手勢識別、連續(xù)認證、個性化用戶界面和面向自動駕駛的精密地圖構(gòu)建等使用場景進行終端側(cè)人工智能訓(xùn)練。實際上，得益于高速連接和高性能本地處理，我們有獨特的能力去探索未來架構(gòu)，實現(xiàn)最佳的總體系統(tǒng)性能。

高效運行終端側(cè)人工智能需要異構(gòu)計算

十多年來，Qualcomm 一直專注于在移動終端的功耗、散熱和尺寸限制之內(nèi)，高效地處理多種計算工作負載。驍龍移動平臺是最高性能移動終端的首選系統(tǒng)級芯片（SoC）。人工智能工作負載在這方面提出了另一個挑戰(zhàn)。通過在適宜的計算引擎上運行各種機器學(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，但已通過進一步增強用來解決人工智能的工作負載。實際上，在驍龍835 上支持 Qualcomm Hexagon 向量擴展的 Hexagon DSP，與 Qualcomm Kryo CPU 相比，在運行相同工作負載時（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)演進面向機器學(xué)習(xí)工作負載的現(xiàn)有引擎，保持我們在性能表現(xiàn)最大化上的領(lǐng)先優(yōu)勢。利用我們對新興神經(jīng)網(wǎng)絡(luò)的研究，我們在專注提升性能表現(xiàn)，以擴展異構(gòu)計算能力，應(yīng)對未來人工智能工作負載上已具備了優(yōu)勢。實際上早在 2012 年，我們已預(yù)見了通過專用硬件高效運行人工智能的構(gòu)想。

我們正大規(guī)模普及人工智能

讓開發(fā)者能簡單利用異構(gòu)計算并非易事，僅有優(yōu)良硬件還不夠。為了彌補這一差距，我們發(fā)布了驍龍神經(jīng)處理引擎（NPE）軟件開發(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）上的運行時間，對圖形識別和自然語言處理分別都有著重要作用。相同的開發(fā)者 API 給每個引擎都提供接入口，從而使開發(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，旨在幫助從醫(yī)療健康到安全的廣泛行業(yè)內(nèi)的開發(fā)者和 OEM 廠商，在便攜式終端上運行它們自己的專有神經(jīng)網(wǎng)絡(luò)模型。例如，今年的 F8 大會上，F(xiàn)acebook 和 Qualcomm 宣布合作，支持優(yōu)化 Facebook 開源深度學(xué)習(xí)框架 Caffe2，以及 NPE 框架。

持續(xù)研究擴展人工智能范圍，帶來效率提升

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

為了實現(xiàn)更復(fù)雜的應(yīng)用，我們在多個領(lǐng)域持續(xù)前進：

• 專門的硬件架構(gòu)：持續(xù)關(guān)注低功耗硬件（無論增強型、專用型還是定制型），以處理這些機器學(xué)習(xí)工作負載；

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

• 面向終端側(cè)應(yīng)用的網(wǎng)絡(luò)優(yōu)化：進行壓縮、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、“始終開啟”的智能終端中蘊藏著巨大的機遇，我們期待通過研究和產(chǎn)品化推動先進機器學(xué)習(xí)的發(fā)展。目前，Qualcomm 人工智能平臺可通過高效的終端側(cè)機器學(xué)習(xí)，提供高度響應(yīng)、高度安全且直觀的用戶體驗。未來還有更多可能。