近來，與AI相關(guān)的周期性熱點(diǎn)幾乎都圍繞著大語言模型 (LLM) 和生成式AI模型，這樣的趨勢反映出這些話題近年來日益增強(qiáng)的影響力和普及程度。與大語言模型和生成式AI模型相關(guān)的應(yīng)用涵蓋了廣泛的領(lǐng)域，從開放式聊天機(jī)器人到任務(wù)型助手。雖然LLM主要聚焦基于云和服務(wù)器端的應(yīng)用，但人們對在嵌入式系統(tǒng)和邊緣設(shè)備中部署這些模型的興趣也在不斷增加。

嵌入式系統(tǒng) (如家用電器、工業(yè)設(shè)備、汽車等設(shè)備中的微處理器) 需要在成本和功耗受限的情況下，適應(yīng)有限的計(jì)算能力和內(nèi)存可用性。這使得在邊緣設(shè)備上部署高精度和高性能的語言模型極具挑戰(zhàn)性。

在邊緣設(shè)備上部署LLM

在嵌入式解決方案中，利用LLM的一個關(guān)鍵領(lǐng)域是操作員與機(jī)器之間的自然對話交互，即人機(jī)界面 (HMI)。

嵌入式系統(tǒng)可以簡化各種輸入選項(xiàng)，如麥克風(fēng)、攝像頭或其他傳感器，但大多數(shù)系統(tǒng)不會像個人電腦、筆記本電腦和手機(jī)那樣，配備完整的鍵盤與LLM模型進(jìn)行交互。因此，嵌入式系統(tǒng)在使用音頻和視覺作為LLM輸入時，必須具備實(shí)用性。這需要一個自動語音識別 (ASR) 或圖像識別和分類的預(yù)處理模塊。

同樣，交互的輸出選項(xiàng)也有限。嵌入式解決方案能沒有屏幕，或者不方便用戶閱讀屏幕信息。因此，在生成式AI模型之后，需要一個后處理步驟，使用文本到語音 (TTS) 算法將模型輸出轉(zhuǎn)換為音頻。

恩智浦正在構(gòu)建eIQ GenAI Flow，通過添加必要的預(yù)處理和后處理模塊，使其成為一個模塊化流程，從而使邊緣生成式AI更加實(shí)用。

生成式AI正在改變嵌入式應(yīng)用。閱讀恩智浦關(guān)于檢索增強(qiáng)生成 (RAG) 的白皮書，了解這種方法如何簡化LLM的開發(fā)過程，點(diǎn)擊這里>>

通過LLM革新應(yīng)用

通過集成基于LLM的語音識別、自然語言理解和文本生成功能，嵌入式設(shè)備能夠提供更直觀和對話式的用戶體驗(yàn)。這包括響應(yīng)語音命令的智能家居設(shè)備、通過自然語言控制的工業(yè)機(jī)械，以及能夠進(jìn)行免提對話的汽車娛樂中控系統(tǒng)，以指導(dǎo)用戶或操作車內(nèi)功能等。

LLM還在健康應(yīng)用中的嵌入式預(yù)測分析和決策支持系統(tǒng)中發(fā)揮作用。設(shè)備可以嵌入使用特定領(lǐng)域數(shù)據(jù)訓(xùn)練的語言模型，然后利用自然語言處理分析傳感器數(shù)據(jù)、識別模式并生成見解，同時在邊緣實(shí)時運(yùn)行并保護(hù)患者隱私，無需將數(shù)據(jù)發(fā)送到云端。

應(yīng)對生成式AI挑戰(zhàn)

在嵌入式環(huán)境中部署準(zhǔn)確且功能強(qiáng)大的生成式AI模型面臨許多挑戰(zhàn)。需要優(yōu)化模型的大小和內(nèi)存使用，使LLM能夠適應(yīng)目標(biāo)硬件的資源限制。具有數(shù)十億個參數(shù)的模型需要數(shù)千兆字節(jié)的存儲空間，而在邊緣系統(tǒng)中，這可能會帶來高成本且難以實(shí)現(xiàn)。量化和修剪等模型優(yōu)化技術(shù)不僅適用于卷積神經(jīng)網(wǎng)絡(luò)，也適用于轉(zhuǎn)換器模型——這是生成式AI克服模型大小問題的重要方法。

像LLM這樣的生成式AI模型也有知識局限性。例如，它們的理解是有限的，通常會提供不一致的答案，也稱為“幻覺”(hallucination)，而且它們的知識受限于訓(xùn)練數(shù)據(jù)的時效性。訓(xùn)練模型或通過再訓(xùn)練來微調(diào)模型可以提高準(zhǔn)確性和上下文感知，但這可能在數(shù)據(jù)收集和所需的訓(xùn)練計(jì)算方面花費(fèi)巨大。

幸運(yùn)的是，有需求就有創(chuàng)新；通過檢索增強(qiáng)生成 (RAG) 可以解決這個問題。RAG方法使用特定上下文數(shù)據(jù)創(chuàng)建知識數(shù)據(jù)庫，LLM可以在運(yùn)行時參考這些數(shù)據(jù)來準(zhǔn)確回答查詢。

eIQ GenAI Flow將生成式AI和LLM的優(yōu)勢以實(shí)用的方式應(yīng)用于邊緣場景。通過將RAG整合到該流程中，我們?yōu)榍度胧皆O(shè)備提供特定領(lǐng)域的知識，而不會將用戶數(shù)據(jù)暴露給原始AI模型的訓(xùn)練數(shù)據(jù)。這樣可以確保對LLM的任何更改都是私密的，并且僅在邊緣本地使用。

本文作者

Ali Ors，恩智浦半導(dǎo)體邊緣處理AI機(jī)器學(xué)習(xí)戰(zhàn)略技術(shù)主管。Ali專門負(fù)責(zé)領(lǐng)導(dǎo)各跨職能團(tuán)隊(duì)，為機(jī)器學(xué)習(xí)和視覺處理領(lǐng)域提供創(chuàng)新產(chǎn)品和平臺。他目前在恩智浦負(fù)責(zé)全球AI機(jī)器學(xué)習(xí)戰(zhàn)略和技術(shù)工作。Ali曾在恩智浦汽車業(yè)務(wù)部負(fù)責(zé)ADAS和自主產(chǎn)品的AI戰(zhàn)略、戰(zhàn)略伙伴關(guān)系和平臺設(shè)計(jì)。加入恩智浦之前，Ali曾擔(dān)任CogniVue公司的工程副總裁，負(fù)責(zé)開發(fā)視覺SoC解決方案和認(rèn)知處理器IP內(nèi)核。Ali持有加拿大渥太華卡爾頓大學(xué)的工程學(xué)學(xué)位。