芯片巨头正在偷偷研发这些新AI技术，不比拍照有意思( 二 ) 明敏萧箫发自凹非寺量子位|公

文章图片
室内定位场景所需的信号数据标记比较复杂，通过射频感知的方法，使用弱监督学习能比较有效地节省成本、提升效率。
嗯，现在老板只需要通过无线信号，就知道你在哪个办公室和同事摸鱼聊天了（手动狗头）。

文章图片
再来看看神经推理（NeuralReasoning）技术。
事实上，这里的推理并不是指单纯的模式识别，而更像是教AI学会“逻辑推断” ，概念上和YoshuaBengio之前提到的system2（逻辑分析系统）有些相似。
那么，神经推理和芯片有什么关系，可以应用在哪些方向，高通又进展到哪一步了？
据侯博士介绍，神经推理是一种将符号推理和神经网络优势结合起来的思路，让模型兼具并行性和串行性，而这个思路对于计算硬件而言同样具有借鉴性，目前高通已经利用自回归语言模型做出了一些首创成果。
最后来看看量子AI技术。
目前高通主要有进行两个方面的研究，一个是基于AI加速构建量子计算机，另一个是让AI更快在量子计算机上运行的新方法。
其中，基于AI加速构建量子计算，主要研究方向在群等变卷积神经网络上。
研究人员通过引进群等变卷积神经网络，提出了一种新的解码方式，比传统解码器运行效率更高、性能也更好。
而高通登上ICML2021的一项新研究，还提出了一种基于量子场论，在光学量子计算中运行神经网络的新思路。

文章图片
如果未来真的能用量子计算运行AI ，那大模型快速运算也不是梦了。
所以问题来了，高通正在进行的这些基础研究，究竟有没有落地的可能？
距离我们用上还有多久？技术之终极意义，还是要看向应用。
实际上，高通AI研究关注前沿科技背后，更加重视的是这些技术具体如何落地。
例如在早些年AI领域还在关注图像处理的时候，高通就已经在布局视频AI技术的落地了，并产生了不少相应的首创成果。
包括在移动端将视频超分到4K100+FPS ，就是高通率先实现的。
那么在这个过程中，高通是如何实现将AI论文落地到芯片应用中的呢？
这就得说回高通AI研究的三大布局：
基础研究，涉及量子AI、强化学习、群等变卷积神经网络等，着眼于遥远的未来，通常更具有基础性。平台研究，包括软硬件协同设计、AI模型效率工具包以及模型量化、压缩和神经架构搜索等，来实现最佳的能效、性能和时延。应用研究，是指利用AI基础研究和平台研究的成果在某些特定用例中，包含视频识别与预测、指纹图谱、图形深度学习、视觉质量提升等。
文章图片
一方面，高通一直以平台研究技术带动应用研究的落地。
以模型量化为例。
这是高通AI研究这几年钻研的核心技术之一，目的就是给AI模型做个“瘦身” 。
在实际应用场景中，由于电量、算力、内存和散热能力受限，手机使用的AI模型和PC上的AI模型有很大不同。
在PC上， GPU动辄上百瓦功率， AI模型的计算可以使用16或32位浮点数（FP16、FP32）。而手机SoC只有几瓦功率，也难存储大体积AI模型。
这时候就需要将FP32模型缩小成8位整数（INT8）乃至4位整数（INT4），同时确保模型精度不能有太大损失。