國民級應(yīng)用,怎么讓14億終端都用上AI?

　　文|郝   鑫

　　編|劉雨琦、王一粟

　　AI 的應(yīng)用一直以來都有兩個(gè)極端：

　　一類是在數(shù)據(jù)中心，用最強(qiáng)的算力跑最復(fù)雜的模型;一類是在智能終端，用最小的模型實(shí)現(xiàn)最普適的應(yīng)用。

　　除了追求大算力帶來的智能涌現(xiàn)，如何把 AI 模型壓縮，運(yùn)用到各種智能終端上，也是工業(yè)界不斷追求的“極限挑戰(zhàn)”。

　　在 AI 的各種世界頂會中，有一類頂會比賽的項(xiàng)目，就是如何將 AI 高性能又高效地使用到終端。

　　ICCV 2023 是 AI 計(jì)算機(jī)視覺領(lǐng)域的三大頂會之一，每兩年舉辦一屆，代表了人類在計(jì)算機(jī)視覺領(lǐng)域的最先進(jìn)技術(shù)，堪稱“地表最強(qiáng)”。

　　8月底，走出“技術(shù)自嗨”，帶著一身“硬本事”，首次參加CV建模推理和訓(xùn)練賽的支付寶xNN團(tuán)隊(duì)，分別拿下2項(xiàng)賽事的3個(gè)冠亞軍。其中“推理挑戰(zhàn)賽”上，shanwei_zsw 和 zhaoyu_x 兩支小組分別獲得冠亞軍，比分大幅領(lǐng)先第三名45%以上。在“訓(xùn)練挑戰(zhàn)賽”上，shanwei_zsw 則以0.04的些微差值位居亞軍。

　　賽事的難點(diǎn)在于，要在有限的計(jì)算資源條件下發(fā)揮模型的最大效能。例如在運(yùn)行時(shí)，GPU內(nèi)存限制在6GB以下，訓(xùn)練成本控制在九個(gè)小時(shí)以內(nèi)，在這些條件限制下，圖像識別精準(zhǔn)度還要達(dá)到95%以上，在1分鐘之內(nèi)完成幾千張圖片推理的效果。

　　“投入時(shí)間比較短，參賽也很從容，比賽的課題就是我們?nèi)粘５墓ぷ?rdquo;，參加挑戰(zhàn)的支付寶xNN引擎工程師王世豪道。

　　通過 xNN 團(tuán)隊(duì)在技術(shù)實(shí)踐上的探索，我們也能夠一窺當(dāng)前 AI 在終端落地方面的最新進(jìn)展：從 1.0 跨越到 2.0，目前端側(cè) AI 技術(shù)已經(jīng)攀登到一個(gè)“小高峰”，“又好又快”成為技術(shù)抵達(dá)的主邏輯。

　　歷史的齒輪重新開始轉(zhuǎn)動，隨著大模型的降臨， AI 在智能終端的落地，又迎來一個(gè)全新階段。

　　端側(cè)部署難題：有限資源VS大參數(shù)AI模型

　　或許大家并不了解 xNN 團(tuán)隊(duì)，但一定用過他們的技術(shù)。

　　掃碼付款、春節(jié)掃五福、理財(cái)推薦、短視頻直播……這些再熟悉不過的場景中都有 xNN 團(tuán)隊(duì)的影子。

　　xNN團(tuán)隊(duì)負(fù)責(zé)人周大江告訴光錐智能，他們主要負(fù)責(zé)螞蟻集團(tuán)內(nèi)的所有端智能的應(yīng)用，為螞蟻集團(tuán)提供端側(cè)技術(shù)引擎支持。

　　2016年深度學(xué)習(xí)剛剛爆發(fā)，2017年基于計(jì)算機(jī)視覺的“掃五福”就正式應(yīng)用在支付寶 APP 里上線，這也成為了xNN 技術(shù)團(tuán)隊(duì)組建的起點(diǎn)。

　　“掃福活動最早在云端測試，即在服務(wù)端上用 AI 能力識別福字，但最終發(fā)現(xiàn)成本和效果都差強(qiáng)人意，這才轉(zhuǎn)向了端上去做”，周大江表示。

　　“掃五福”這個(gè)動作，經(jīng)過了掃描、識別、判斷、計(jì)算、推理、反饋一系列 AI 步驟。如果通過云的路徑實(shí)現(xiàn)，攝像頭要先掃描，然后傳到服務(wù)端，云服務(wù)端處理完成后再返回結(jié)果。這里面包括了網(wǎng)絡(luò)通信的開銷、云計(jì)算傳輸耗費(fèi)的時(shí)間、判斷反饋的時(shí)間，總體下來，用戶等待時(shí)間長且體驗(yàn)感較差。

　　xNN團(tuán)隊(duì)經(jīng)過摸索后發(fā)現(xiàn)， 云端根本無法滿足用戶的實(shí)時(shí)需求，要想讓應(yīng)用飛入尋常百姓家，還得部署到端側(cè)。

　　正如王世豪所言，端側(cè)機(jī)器學(xué)習(xí)有很多優(yōu)勢：首先可以降低部署成本，從模型推理到模型決策一切都在端側(cè)搞定，節(jié)省云端運(yùn)維資源;其次，一次加載資源后，不需反復(fù)請求服務(wù)端傳遞數(shù)據(jù)量以及獲取 AI 分析結(jié)果，非常適合圖像識別等高頻 AI 分析場景;最后，調(diào)用數(shù)據(jù)無需傳輸上云，有助于提升用戶的隱私性。

　　技術(shù)方向被驗(yàn)證了正確性，但實(shí)現(xiàn)過程卻充滿了復(fù)雜。

　　以掃五福場景為例，匯集了圖像識別、語音識別、自然語言處理、傳感器數(shù)據(jù)融合等多種 AI 技術(shù)。例如最常涉及的圖像識別技術(shù)，用于快速、準(zhǔn)確地識別用戶掃描的福字圖像，判斷是否正確;傳感器融合技術(shù)，結(jié)合手機(jī)運(yùn)動傳感器等輔助無障礙用戶進(jìn)行福字掃描;語音合成、識別技術(shù)，支持語音互動的各種創(chuàng)新玩法，如“語音打年獸”等。

　　端側(cè)部署的難點(diǎn)也十分突出，相比云服務(wù)器，端側(cè)設(shè)備資源極其有限，無法載入過于復(fù)雜的模型。

　　資源對端側(cè)的限制體現(xiàn)在全過程中，識別靠攝像頭，而手機(jī)的攝像頭質(zhì)量參差不齊，有的清晰，有的模糊;模型訓(xùn)練、推理所用到的GPU和CPU，決定了數(shù)據(jù)傳輸、反饋的處理速度;存儲空間有限，決定了模型大小。

　　但 AI 模型規(guī)模又很大，一個(gè)簡化的模型就好比中學(xué)的三元一次聯(lián)立方程，模型訓(xùn)練推理的過程可以理解為解方程的過程，只不過要解的是幾百萬元的方程。其中，每個(gè)元就是“參數(shù)”，聯(lián)立方程式稱之為一層的“神經(jīng)網(wǎng)絡(luò)”，一般而言，常用的簡單模型可能有3-6層，復(fù)雜模型甚至有50+層，這足以證明模型參數(shù)有多大。

　　“于是，有限的資源和大參數(shù)的 AI 模型之間形成了鴻溝”，支付寶終端技術(shù)部負(fù)責(zé)人李佳佳進(jìn)一步明確了xNN團(tuán)隊(duì)的方向，把 AI 模型放到端上就是要在“螺螄殼里做道場”。

　　可對于一款十億級用戶的國民級APP而言，技術(shù)要解決的難題還遠(yuǎn)不止于此。

　　支付寶服務(wù)對象面向全年齡段的各類人群，10億用戶中，來自三四線城市的比例超過55%。在很長一段時(shí)間內(nèi)，幾百元的低端機(jī)成為主流，這意味著從技術(shù)設(shè)計(jì)上不能設(shè)置過高的門檻，要能適配各種老版的手機(jī)硬件和操作系統(tǒng)。

　　支付寶的應(yīng)用還經(jīng)常存在海量并發(fā)場景，譬如春節(jié)掃福等促銷活動，動輒超幾億人參與，據(jù)統(tǒng)計(jì)，每2-3個(gè)中國人里就有一個(gè)參與過掃�；顒樱�瞬時(shí)涌入的巨大流量也給端側(cè)帶來了考驗(yàn)。

　　基于端側(cè) AI 技術(shù)本身和支付寶國民級應(yīng)用的屬性，兩座沉重的大山壓在了 xNN 團(tuán)隊(duì)肩上。

　　從 AI 1.0到2.0，找尋端側(cè)模型最優(yōu)解

　　進(jìn)一步拆解任務(wù)，xNN 團(tuán)隊(duì)決定先解決端側(cè) AI 技術(shù)共性問題，再去解決支付寶自身的個(gè)性化問題�；�于該邏輯，其技術(shù)迭代經(jīng)歷了 AI 1.0 模型輕量化階段和 AI 2.0 可伸縮建模時(shí)期。

　　模型輕量化，顧名思義，主要任務(wù)就是把AI模型優(yōu)化得盡可能小，為此，xNN 團(tuán)隊(duì)研發(fā)了“模型壓縮技術(shù)”。

　　(圖：模型壓縮的幾種基本方法)

　　“模型壓縮最核心的就是讓模型盡可能得小，只有小了才能裝進(jìn)手機(jī)里”，王世豪表示道。

　　雖然 AI 模型被壓縮小了，但并不意味著運(yùn)行的性能要降低。xNN 團(tuán)隊(duì)介紹，能不能讓模型在完成同等任務(wù)效果的基礎(chǔ)上，還能進(jìn)一步變小，成為了關(guān)鍵。例如，在壓縮一個(gè)模型后，識別福字的精準(zhǔn)度依然很高。

　　一個(gè)問題也隨之而來，多小的 AI 模型算小呢?

　　周大江告訴光錐智能，關(guān)于這個(gè)問題業(yè)界目前還沒有形成標(biāo)準(zhǔn)，這意味著每個(gè)APP可能都會有自己一個(gè)軟性的標(biāo)準(zhǔn)。“在實(shí)際應(yīng)用運(yùn)行中，大一點(diǎn)其實(shí)也不是問題，業(yè)界一般控制在十兆左右尺寸。 但支付寶更傾向于小數(shù)量級的模型規(guī)模，大部分應(yīng)用都控制在一兆以內(nèi)”，周大江稱。

　　把模型壓縮變小，主要在解決“好”的問題，使復(fù)雜模型可以在端側(cè)設(shè)備上運(yùn)行。而端側(cè)高性能計(jì)算引擎技術(shù)則專注于解決“快”的問題，通過各種優(yōu)化手段使模型可以高效計(jì)算。

　　高性能計(jì)算引擎技術(shù)目的是讓模型能夠充分利用端側(cè)設(shè)備的算力資源，一個(gè)核心指標(biāo)是算力利用率，即模型計(jì)算對硬件資源的利用效率。舉例來說，假如手機(jī)理論上每秒鐘可以執(zhí)行一萬次計(jì)算，那引擎性能的高低，決定了能不能充分把這一萬次給用起來。

　　得益于“模型壓縮+高性能計(jì)算引擎”兩把“殺手锏”，讓 xNN 團(tuán)隊(duì)在1.0階段“實(shí)現(xiàn)了絕大多數(shù)場景應(yīng)用的端上部署”，這也為其從1.0的“變小”走向2.0的“靈活”打下了基礎(chǔ)。

　　“以前是一個(gè)模型打遍天下，現(xiàn)在是面向不同設(shè)備找到最合適的模型”，王世豪道。

　　可伸縮建模技術(shù)，切中了國民級應(yīng)用的用戶人群廣泛與多樣化的硬件環(huán)境的痛點(diǎn)。

　　一段時(shí)間里，不同手機(jī)機(jī)型都共用一個(gè) AI 模型，這就會出現(xiàn)無法全面覆蓋的情況。要么去適配低端機(jī)，導(dǎo)致高端機(jī)型資源被浪費(fèi)，業(yè)務(wù)效果和用戶體驗(yàn)打折扣;要么去迎合高端機(jī)型，直接喪失一部分低端機(jī)用戶。

　　而現(xiàn)在，不只生產(chǎn)一個(gè)模型，而是通過技術(shù)的手段一次性的生產(chǎn)很多個(gè)模型，每一個(gè)模型能夠去兼容適配不同用戶的手機(jī)，去最大化它的算力，然后把模型的效果帶給用戶。這就好比打游戲時(shí)的分辨率，既可以選擇超高清分辨率，也可以選擇低分辨率，深層次詮釋了“可伸縮”性的內(nèi)涵。

　　模型“又小又快”的實(shí)現(xiàn)條件進(jìn)一步耦合，通過可伸縮建模技術(shù)一步到位，快速找到最優(yōu)解。但同時(shí)，里面涉及的工具、參數(shù)調(diào)節(jié)也愈來愈復(fù)雜，走過模型輕量化來到 AI 2.0時(shí)期，技術(shù)比拼才剛剛開始。

　　隨著大模型來臨，AI 在智能終端的落地，又將迎來一個(gè)全新的技術(shù)階段。

　　大模型跑在手機(jī)上還有多遠(yuǎn)?

　　不斷優(yōu)化，把 AI 模型一步步變小，在手機(jī)上跑得又好又快。

　　回溯 xNN 團(tuán)隊(duì)技術(shù)迭代的歷程，這條貫穿其中的主線，也是整個(gè)終端智能化的縮影。

　　然而，到了“更大參數(shù)、更加復(fù)雜”的大模型應(yīng)用落地的新階段，技術(shù)既有變，也有不變。

　　不變的是，xNN 團(tuán)隊(duì)對光錐智能表示，即使在 大模型的階段，其核心矛盾仍在于如何利用有限資源，達(dá)到又好又快的效果，而大模型只不過進(jìn)一步加深了矛盾。從具體的評判指標(biāo)來看，和之前沒有本質(zhì)區(qū)別，一旦涉及端上部署，始終逃脫不了模型尺寸、性能、速度等。

　　最大的變量是幾十億、上百億參數(shù)的大模型。如今端側(cè)的現(xiàn)狀是，手機(jī)算力、存儲等資源并沒有跨越式提升，而龐大的大模型已經(jīng)要迫不及待地成為新時(shí)代的主角，這也是導(dǎo)致大模型應(yīng)用難以打通“最后一公里”的難點(diǎn)所在。

　　(圖：幾個(gè)預(yù)訓(xùn)練模型的參數(shù)量統(tǒng)計(jì))

　　“1.0、2.0階段大部分需要極致優(yōu)化的任務(wù)已經(jīng)完成，大模型尺寸突然暴漲，成為當(dāng)前端側(cè) AI 最大的技術(shù)挑戰(zhàn)。”

　　xNN 團(tuán)隊(duì)認(rèn)為，從1.0到現(xiàn)在的大模型應(yīng)用落地階段，里面存在著技術(shù)的延續(xù)性。過去技術(shù)探索構(gòu)筑的能力，尋找“又好又快”最優(yōu)解的經(jīng)驗(yàn)以及場景運(yùn)營的積累，皆是走向大模型新階段的基石。

　　支付寶終端技術(shù)部負(fù)責(zé)人李佳佳覺得，要站在“巨人肩膀”上，一方面沖著更高的技術(shù)標(biāo)準(zhǔn)，繼續(xù)優(yōu)化原有的技術(shù);另一方面可能要圍繞大模型的特質(zhì)，做一些新的算法設(shè)計(jì)和突破。

　　按圖索驥，盡管手握端側(cè) AI 的鑰匙，但要讓大模型真正跑在手機(jī)端，還需要很長的路要走。

　　據(jù)光錐智能觀察，現(xiàn)階段，手機(jī)上使用的大模型應(yīng)用，基本上算力還是集中在云上，端側(cè)適配仍處于摸索階段。

　　目前，華為、小米、Vivo、OPPO等一眾手機(jī)廠商正在圍繞著大模型去做芯片硬件設(shè)計(jì)和操作系統(tǒng)上的優(yōu)化，從底層框架到上層應(yīng)用，盡可能地為大模型跑在手機(jī)上提供更多的計(jì)算資源支撐。

　　李佳佳解釋稱，未來，大模型要以何種姿勢降落到手機(jī)端還尚在討論中。

　　“螞蟻集團(tuán)近期對外發(fā)布了一系列自研基礎(chǔ)大模型，如何將其應(yīng)用到手機(jī)等終端設(shè)備上，我們重點(diǎn)攻堅(jiān)兩個(gè)關(guān)鍵技術(shù)：一方面，進(jìn)一步強(qiáng)化終端推理引擎的計(jì)算效率，充分挖掘手機(jī)異構(gòu)計(jì)算資源以提高大模型的執(zhí)行效率，這對用戶體驗(yàn)至關(guān)重要;另一方面，通過技術(shù)手段推進(jìn)大模型的壓縮，保持大模型效果不降低的前提下，減少運(yùn)行內(nèi)存及存儲資源的消耗。于此同時(shí)，在持續(xù)強(qiáng)化引擎計(jì)算效能和模型壓縮兩個(gè)關(guān)鍵技術(shù)之外，我們同樣重視與手機(jī)廠商的協(xié)作，結(jié)合廠商硬件能力迭代與我們自身場景和技術(shù)的優(yōu)勢，加速大模型在手機(jī)端應(yīng)用的步伐”。

　　在技術(shù)實(shí)現(xiàn)思路、路徑走向明了后，究竟何時(shí)可以等到大模型真正跑在手機(jī)上呢?

　　“未來1-3年內(nèi)很關(guān)鍵”，支付寶終端技術(shù)部負(fù)責(zé)人李佳佳判斷，“關(guān)鍵指標(biāo)還在模型大小，當(dāng)前一些大模型仍需消耗幾個(gè)GB的物理存儲/運(yùn)行內(nèi)存，基于此， 至少應(yīng)該控制在500MB-1GB以下的水平。”

　　打通“最后一公里”，同時(shí)讓14億人在手機(jī)，用上大模型的奇點(diǎn)時(shí)刻或許即將到來。