芯片巨头正在偷偷研发这些新AI技术，不比拍照有意思明敏萧箫发自凹非寺量子位|公

明敏萧箫发自凹非寺
量子位|公众号QbitAI
不知道你们有没有这样一种感觉，芯片性能要遇上瓶颈了。
光就芯片制程来看，从7nm卷到5nm再卷到3nm ，已经越来越逼近摩尔极限。
于是，不少厂商开始试着用AI给芯片性能提供灵感，从神经拟态到用AI设计芯片，各种技术路线都有人在尝试。
这种情况下，哪些新AI技术最可能被应用到下一代芯片当中？
对此，我们采访了一下高通工程技术副总裁侯纪磊。
侯纪磊博士毕业于加州大学圣迭戈分校，在高通已经工作了19年，目前是高通公司AI研究项目负责人，负责高通AI研究（QualcommAIResearch）的技术创新规划。

文章图片
在采访中，侯博士分享了高通AI研究在基础、平台和应用三个研究方向的一些首创技术成果。
其中，基础研究主要针对前沿性、基础性的AI技术进行研究，例如神经压缩和AI+量子计算相关领域的探索；
平台研究则主要是从平台能力和创新的角度，推动AI技术的发展并提升能效、进行端侧学习，例如量化技术和联邦学习；
应用研究包括移动端视频AI技术和3D+AI技术等，涵盖智能手机、XR、自动驾驶等各个行业应用领域的技术研究。
同时，侯博士还分享了不少“AI落地狂魔”高通，将AI技术快速应用到芯片上的秘诀。一起来看看。
芯片厂商悄悄研发这些新AI虽然高通最广为人知的AI技术是量化，不过要看最新的技术，还得从高通AI研究的顶会论文中去找。
从论文来看，高通相对着重的AI基础技术可能是以下四个方向：神经增强、弱监督学习、神经推理和量子AI 。

文章图片
先来看看神经增强（neuralaugmentation）技术，目前高通已经将之用到了无线通信中。
平时处理无线通信信号主要有两种方法，一种是用传统滤波器搞一套公式出来，另一种是用AI直接训练并预测结果，前者精度不高，后者训练数据量太大。
高通选择将二者结合起来，在保留传统滤波器的基础之上，让AI自己学习调参。
没错，就是教会AI自己当调参侠，熟练应用并掌握那些看起来晦涩难懂的公式，类似于应用卡尔曼滤波器的场景中，让AI自己学会调整其中的QR参数。

文章图片
再或者以麦克斯韦方程为例，高通选择保留y=x*H模型的线性，同时采用AI学习H的分布：
要是类似的技术能用于手机无线通信基带上，信号说不定还能再进一步增强。
而神经增强还只是高通神经推理研究的一部分。如果AI真的同时具备了逻辑思维和抽象能力，那距离芯片性能突破也不远了。
再说到弱监督学习，这个方向一直是解决长尾问题、以及AI技术落地新场景的一大趋势之一。
就像是“让AI自己学习”一样，这项技术旨在避免数据标记错误导致的AI精度下降、以及降低标记成本等，来利用少量标记数据，实现与监督学习接近甚至超过监督学习的精度效果。
侯博士介绍了在去年MWC ，高通做的一个演示，用弱标记的方法，训练出相对精确度高的定位的模型。
而且最令人惊讶的是，这种定位的模型它不是通过视觉的方式，而是通过射频信号来进行定位的学习，使用了弱监督和自监督的学习方法。