出品 | 網(wǎng)易智能（公眾號(hào) smartman163）
期號(hào) | 總第78期（2018年5月訪于北京）
作者 | 崔玉賢
在人們還在思考著人工智能將會(huì)給人類帶來什么挑戰(zhàn)時(shí)，人工智能卻已經(jīng)深入經(jīng)濟(jì)和產(chǎn)業(yè)的每個(gè)細(xì)分領(lǐng)域，我們每天使用的很多產(chǎn)品已經(jīng)具備了人工智能的能力。高通總裁克里斯蒂安諾·阿蒙表示，到2021年人工智能衍生的商業(yè)價(jià)值將達(dá)3.3萬億美元，人工智能將成為驅(qū)動(dòng)所有行業(yè)變革的關(guān)鍵。
事實(shí)是，人工智能要實(shí)現(xiàn)規(guī)模化，智能必須分布至無線邊緣。高通正在研究加速人工智能在終端側(cè)的創(chuàng)新。但隨著人工智能的發(fā)展，消耗的能源越來越多。從統(tǒng)計(jì)數(shù)據(jù)上看，有數(shù)據(jù)預(yù)測(cè)到2025年，全球的數(shù)據(jù)中心將消耗全球所有可有電力的20%；另外，實(shí)現(xiàn)終端側(cè)人工智能還存在散熱的限制，如果手機(jī)里運(yùn)行能耗過高的任務(wù)，手機(jī)就會(huì)變得非常熱。
因此，不管無論是從經(jīng)濟(jì)效益還是熱效率的角度看，我們都必須要降低人工智能運(yùn)行的能耗。阿姆斯特丹大學(xué)機(jī)器學(xué)習(xí)首席教授Max Welling認(rèn)為目前深度學(xué)習(xí)能耗很高，算法非常低效，如何研發(fā)出更節(jié)能更高效的硬件，成為人工智能的下一個(gè)戰(zhàn)場(chǎng)。
受人類大腦的啟發(fā)，高通十年前就開始了脈沖神經(jīng)網(wǎng)絡(luò)的研究，這是實(shí)現(xiàn)低功耗計(jì)算的一種方法。同樣受到人類大腦的啟發(fā)，高通正在考慮利用噪音來實(shí)現(xiàn)深度學(xué)習(xí)方面的低功耗計(jì)算，也就是著名的“貝葉斯深度學(xué)習(xí)”。
“貝葉斯在高壓縮比的情況下尤其展現(xiàn)出了明顯的性能優(yōu)勢(shì)。”Max Welling總結(jié)道，“貝葉斯可以將網(wǎng)絡(luò)規(guī)模壓縮得更小、量化程度更高，同時(shí)不損失過多的準(zhǔn)確性，這是非常好的一個(gè)方法。”
雖然在可用的壓縮算法技術(shù)相關(guān)學(xué)術(shù)著作可謂汗牛充棟，但侯紀(jì)磊認(rèn)為，貝葉斯在訓(xùn)練上難度更高，但取得的效果更深。而Max Welling也認(rèn)為，在眾多技術(shù)流派中，以貝葉斯為主導(dǎo)的壓縮算法是最有效的。
以下是對(duì)韋靈思與侯紀(jì)磊的采訪實(shí)錄：
圖：侯紀(jì)磊（左一）與韋靈思（左二）正在接受采訪
問：阿蒙總裁在演講中提到，要把智能分布到無線邊緣，并且在最靠近數(shù)據(jù)的邊緣設(shè)備上完成訓(xùn)練。我們知道各種人工智能應(yīng)用都需要大數(shù)據(jù)來進(jìn)行訓(xùn)練，如果訓(xùn)練放在終端側(cè)完成，我們?nèi)绾未_認(rèn)終端側(cè)訓(xùn)練的完成？將智能分布到終端側(cè)的優(yōu)勢(shì)是什么？
韋靈思：我們首先談?wù)勥M(jìn)行分布式計(jì)算的優(yōu)勢(shì)。一方面，當(dāng)我們將計(jì)算任務(wù)分布在不同邊緣終端上完成，我們將獲得更多可用的計(jì)算力。另一方面，數(shù)據(jù)也可以分布于邊緣終端上。
至于在不同終端上完成人工智能模型的訓(xùn)練，這其實(shí)不是零散的過程。分布式訓(xùn)練的融合是個(gè)重要問題，我們正在開發(fā)新的算法，以保證在數(shù)據(jù)不變的情況下，在不同終端上完成的訓(xùn)練得以融合。如果數(shù)據(jù)是持續(xù)變化的，那將是持續(xù)學(xué)習(xí)的過程。
侯紀(jì)磊：我對(duì)韋教授提到的模型訓(xùn)練補(bǔ)充更多說明。首先，傳統(tǒng)上人工智能模型的訓(xùn)練都是線下也就是在云端上實(shí)現(xiàn)。這種傳統(tǒng)方式的一種延伸是，我們可以通過私有云或邊緣計(jì)算來完成訓(xùn)練。這里說的邊緣計(jì)算不一定是完全在終端側(cè)完成，也可以是在企業(yè)級(jí)網(wǎng)絡(luò)上開發(fā)私有的訓(xùn)練設(shè)備（training facility），甚至在家庭中的一個(gè)接入點(diǎn)（AP）上完成。未來，只要我們?cè)诰W(wǎng)絡(luò)邊緣擁有足夠的計(jì)算力，我們就可以進(jìn)行模型的訓(xùn)練，這是完全可行的。
其次，韋教授剛剛提到的分布式學(xué)習(xí)，這是另一種訓(xùn)練的方式。這種方式會(huì)通過每一個(gè)終端節(jié)點(diǎn)去采集本地?cái)?shù)據(jù)，這里的終端可以是手機(jī)、物聯(lián)網(wǎng)設(shè)備或是其他形式，從每個(gè)終端上采集的本地?cái)?shù)據(jù)量可能都不足以完成模型訓(xùn)練。但分布式學(xué)習(xí)可以將訓(xùn)練分成兩個(gè)部分，第一部分包括前面提到的本地?cái)?shù)據(jù)采集，以及在終端側(cè)按照統(tǒng)一格式完成對(duì)本地?cái)?shù)據(jù)的訓(xùn)練預(yù)處理（pre-process training）；第二部分則是將經(jīng)過預(yù)處理的訓(xùn)練數(shù)據(jù)匯集到一個(gè)統(tǒng)一的節(jié)點(diǎn)上以完成最終的訓(xùn)練，這個(gè)節(jié)點(diǎn)可以是云，也可以是像私有服務(wù)器這樣的邊緣計(jì)算。這就是分布式學(xué)習(xí)的一種模式。
舉個(gè)例子，假設(shè)我已經(jīng)部署了一個(gè)自動(dòng)語音識(shí)別系統(tǒng)（ASR），但希望能進(jìn)一步提高系統(tǒng)性能。我可以讓系統(tǒng)的100萬個(gè)用戶都分別向我提供1個(gè)小時(shí)的數(shù)據(jù)，這相當(dāng)于我擁有了100萬個(gè)小時(shí)的數(shù)據(jù)可以進(jìn)行訓(xùn)練，從而幫助我進(jìn)一步完善模型。概括一下，這種方式通過分布式的數(shù)據(jù)采集完成模型的分布式訓(xùn)練，以持續(xù)改善模型。
第三種模型訓(xùn)練的方式我今天在大會(huì)上有介紹，是在終端層面上進(jìn)行持續(xù)學(xué)習(xí)，并在持續(xù)學(xué)習(xí)的過程中通過終端側(cè)訓(xùn)練的方式，來不斷改善模型。
這就是三種不同的模型訓(xùn)練方式。第一種完全在線下完成；第二種結(jié)合線上和線下，在終端側(cè)完成數(shù)據(jù)采集及初步處理，然后匯集到總的節(jié)點(diǎn)去做更新；第三種完全在終端側(cè)完成。這三種方式都是可能的。
問：對(duì)于開發(fā)者來說，哪些功能比較適合放在終端側(cè)，哪些比較適合放在云端？
侯紀(jì)磊：對(duì)開發(fā)者而言，無論是在終端側(cè)還是云端完成訓(xùn)練，都是可行的。
更多是從消費(fèi)者的角度看，從保護(hù)數(shù)據(jù)私密性考慮，我們認(rèn)為在終端側(cè)完成訓(xùn)練是很有意義的。舉個(gè)例子，消費(fèi)者可以選擇分布式訓(xùn)練的方式，也就是在終端側(cè)將數(shù)據(jù)處理到一定階段，甚至把訓(xùn)練的預(yù)處理數(shù)據(jù)進(jìn)行加密，然后才把這些數(shù)據(jù)發(fā)送到云端匯總。這樣的方式充分考慮了信息的私密性。此外，消費(fèi)者也可以選擇進(jìn)行個(gè)性化訓(xùn)練，也就是在終端側(cè)完成訓(xùn)練，不把任何數(shù)據(jù)發(fā)送到云端。這種方式能最好地保護(hù)信息的私密性。所以如果我們更多從考慮用戶數(shù)據(jù)私密性的角度出發(fā)的話，將來在終端側(cè)做訓(xùn)練是有很大意義的。
韋靈思：除了紀(jì)磊上面提到的私密性外，我認(rèn)為可靠性也是終端側(cè)處理的重要優(yōu)勢(shì)所在。像無人駕駛這樣的用例，對(duì)于網(wǎng)絡(luò)連接的可靠性有非常強(qiáng)的要求，因?yàn)檫B接一旦出現(xiàn)問題，會(huì)導(dǎo)致很嚴(yán)重的后果。因此，把一部分計(jì)算放在終端側(cè)完成是很重要的。低時(shí)延是終端側(cè)處理的另一個(gè)優(yōu)勢(shì)，很多用例對(duì)時(shí)延十分敏感，像是VR用例。最后，個(gè)性化也是終端側(cè)處理的優(yōu)勢(shì)之一。
問：Qualcomm一直強(qiáng)調(diào)異構(gòu)的計(jì)算架構(gòu)，這樣的架構(gòu)可以為客戶提供更高的彈性。但我們也知道，系統(tǒng)的彈性越高，其復(fù)雜性也就相應(yīng)增加，Qualcomm如何應(yīng)對(duì)計(jì)算復(fù)雜性的挑戰(zhàn)，以提供更好的開發(fā)和使用體驗(yàn)？
韋靈思：目前我們正在進(jìn)行一個(gè)研究項(xiàng)目，通過開發(fā)一個(gè)AI agent來實(shí)現(xiàn)對(duì)人工智能計(jì)算任務(wù)的全面自動(dòng)化管理。這一AI agent可以監(jiān)測(cè)很多工作負(fù)載，同時(shí)不斷進(jìn)行學(xué)習(xí)，將計(jì)算任務(wù)放在最合適的地方處理。這個(gè)AI agent有望為開發(fā)者和用戶自動(dòng)完成復(fù)雜性管理。我們目前正在對(duì)這個(gè)算法進(jìn)行持續(xù)優(yōu)化，讓它實(shí)現(xiàn)自動(dòng)化的處理。
侯紀(jì)磊：我補(bǔ)充一下。雖然異構(gòu)計(jì)算的靈活性通常會(huì)帶來相應(yīng)的復(fù)雜度，但其實(shí)異構(gòu)計(jì)算一直是Qualcomm的強(qiáng)項(xiàng)。我們已經(jīng)將多個(gè)引擎通過異構(gòu)計(jì)算統(tǒng)一在同一框架下，并將靈活的集成方案提供給開發(fā)者。另外，我們也積極從業(yè)界獲得了很多反饋。比如說在智能手機(jī)和物聯(lián)網(wǎng)領(lǐng)域，根據(jù)具體應(yīng)用性質(zhì)的不同，業(yè)界也已經(jīng)有一些自然的選擇偏向。像是音頻用例，我們知道它其實(shí)更適合于低功耗DSP來處理；如果是視覺用例，那么采用GPU并行處理會(huì)更為合適。所以說，在初期應(yīng)用的角度，不管是Qualcomm的推薦還是行業(yè)的自然選擇，我們已經(jīng)能看到使用不同異構(gòu)計(jì)算引擎的一些趨勢(shì)。同時(shí)，我們還可以采取剛剛韋教授提到的方式，將來通過機(jī)器學(xué)習(xí)的算法來管理機(jī)器學(xué)習(xí)任務(wù)，利用對(duì)工作負(fù)載的分析來自動(dòng)判斷哪個(gè)內(nèi)核最合適進(jìn)行處理。所以總體來說，我們一方面可以利用Qualcomm一貫的優(yōu)勢(shì)去管理復(fù)雜性，另一方面還可以通過自動(dòng)映射的方式來進(jìn)一步完善管理的過程。
問：韋靈思教授提到，未來人工智能算法將會(huì)以每瓦時(shí)所提供的智能的多少來衡量。Qualcomm一直利用貝葉斯深度學(xué)習(xí)來提高能效，有沒有一些具體的數(shù)據(jù)來說明貝葉斯學(xué)習(xí)對(duì)于降低算法能耗的效果？
韋靈思：在我的演講當(dāng)中為大家展示了一個(gè)在圖像分類的實(shí)際用例中對(duì)比不同神經(jīng)網(wǎng)絡(luò)壓縮方法的示意圖（如下）。從這個(gè)示意圖中可以看到，貝葉斯在高壓縮比的情況下尤其展現(xiàn)出了明顯的性能優(yōu)勢(shì)。至于具體的數(shù)字，在不同實(shí)際用例中我們會(huì)得到不同的數(shù)據(jù)對(duì)比。除了圖像分類外，我們還在其他用例下做了對(duì)比實(shí)驗(yàn)。總的來說，貝葉斯可以將網(wǎng)絡(luò)規(guī)模壓縮得更小、量化程度更高，同時(shí)不損失過多的準(zhǔn)確性，這是非常好的一個(gè)方法。
侯紀(jì)磊：在韋教授的例子中，貝葉斯通過2%左右的準(zhǔn)確度損失來實(shí)現(xiàn)了3倍的壓縮比，3倍壓縮比大概可以等同于3倍的能耗降低，你可以以此作為一個(gè)參考。當(dāng)然，3倍的壓縮比提升是在這一具體用例中實(shí)現(xiàn)的。在這個(gè)用例中，ResNet-18本身已經(jīng)是一個(gè)簡(jiǎn)潔的網(wǎng)絡(luò)了，對(duì)這個(gè)網(wǎng)絡(luò)進(jìn)行更多壓縮的難度很大。在這樣的情況下貝葉斯依然取得了3倍的壓縮比，這充分展現(xiàn)了貝葉斯的強(qiáng)大之處。我想強(qiáng)調(diào)的是，具體的壓縮比例與被壓縮網(wǎng)絡(luò)本身設(shè)計(jì)的冗余度、以及具體的應(yīng)用場(chǎng)景都有聯(lián)系。
問：除了貝葉斯算法外，Qualcomm是否還在開發(fā)其他類似的壓縮算法？在中國業(yè)內(nèi)，像深鑒科技等公司開發(fā)的壓縮算法可以實(shí)現(xiàn)超過十倍、二十倍的壓縮比。Qualcomm是不是也有計(jì)劃開發(fā)壓縮比更高的算法？
韋靈思：我認(rèn)為孤立地去看一個(gè)算法的壓縮比是沒有意義的。我曾經(jīng)在一個(gè)神經(jīng)網(wǎng)絡(luò)上實(shí)現(xiàn)過700倍的壓縮比，而且沒有損失任何準(zhǔn)確率；但這個(gè)被壓縮的網(wǎng)絡(luò)本身就是過度冗余的，它是一種VGG網(wǎng)絡(luò)，這種網(wǎng)絡(luò)從設(shè)計(jì)之初效率就很低，因此700倍的壓縮比其實(shí)不能說明什么。但正如紀(jì)磊剛才談到的，貝葉斯在ResNet-18這個(gè)本來已經(jīng)非常緊湊的網(wǎng)絡(luò)上實(shí)現(xiàn)了3倍壓縮比，這充分說明了它的性能。Gary在他的演講中展示過一個(gè)對(duì)比不同網(wǎng)絡(luò)的準(zhǔn)確率和運(yùn)算次數(shù)之比的示意圖（如下），在這個(gè)圖中ResNet-18已經(jīng)處于準(zhǔn)確率/運(yùn)算次數(shù)的最優(yōu)曲線上，所以說貝葉斯3倍的壓縮比已經(jīng)很強(qiáng)大。對(duì)于像VGG這類遠(yuǎn)離最優(yōu)曲線的冗余網(wǎng)絡(luò)來說，完全可以實(shí)現(xiàn)非常高的壓縮比。
侯紀(jì)磊：我再跟大家解釋一下這張示意圖，因?yàn)槔斫膺@張圖很重要。橫軸是網(wǎng)絡(luò)的復(fù)雜度，縱軸是準(zhǔn)確率。而圖上的這條曲線，指的是從設(shè)計(jì)網(wǎng)絡(luò)的角度看，我在任意一個(gè)既定的復(fù)雜度下能夠?qū)崿F(xiàn)的最高的準(zhǔn)確率。這條曲線實(shí)際是條包絡(luò)線，所有的網(wǎng)絡(luò)都在它的右下方。
這張包絡(luò)線代表了當(dāng)前網(wǎng)絡(luò)設(shè)計(jì)的最高境界，也代表了在復(fù)雜度恒定的情況下可以實(shí)現(xiàn)的最高的準(zhǔn)確率，或者說是在準(zhǔn)確率恒定的情況下可以實(shí)現(xiàn)的最低的復(fù)雜度。如果我們要談在某個(gè)網(wǎng)絡(luò)上實(shí)現(xiàn)了多少倍的壓縮比，首先我們需要先看這個(gè)網(wǎng)絡(luò)離包絡(luò)線也就是最佳曲線有多遠(yuǎn)。如果這個(gè)網(wǎng)絡(luò)本身遠(yuǎn)離了包絡(luò)線，那我們討論它能實(shí)現(xiàn)多少倍壓縮其實(shí)是沒有意義的。
韋靈思：目前其實(shí)存在著一系列可用的壓縮算法，其中一部分由我所在的大學(xué)實(shí)驗(yàn)室所開發(fā)，與這一系列算法技術(shù)相關(guān)的學(xué)術(shù)著作可謂汗牛充棟。我們對(duì)所有這些技術(shù)都進(jìn)行過試驗(yàn)和測(cè)試，結(jié)果表明，以貝葉斯為主導(dǎo)的壓縮算法是最有效的。
侯紀(jì)磊：深度剪枝其實(shí)是深鑒一位聯(lián)合創(chuàng)始人最早提出來的概念，在去年底NIPS大會(huì)結(jié)束后我們邀請(qǐng)他到Qualcomm做過一次分享，當(dāng)時(shí)韋教授也在，雙方都有比較深的交流。從我們的角度看，我們認(rèn)為韋教授提出的方法在數(shù)學(xué)第一原則的角度看是更為深刻的，往往當(dāng)你從第一原則的角度去設(shè)計(jì)一個(gè)比較復(fù)雜的方法時(shí)，這個(gè)方法的潛力和最終得到的效率會(huì)更好。根據(jù)我們對(duì)數(shù)學(xué)和對(duì)深度學(xué)習(xí)體驗(yàn)的了解，我們相信通過貝葉斯方法、從第一原則出發(fā)去設(shè)計(jì)的做法，相對(duì)來說它的效果會(huì)更好。
問：是否可以理解為貝葉斯算法在普適性和泛用性方面更卓越？
侯紀(jì)磊：其實(shí)貝葉斯在訓(xùn)練上的難度更高，但它取得的效果會(huì)更深。深鑒的剪枝方法非常有啟發(fā)性，大家也很容易理解，然而這不意味著就是最優(yōu)的方法。我們相信，從數(shù)學(xué)的角度去接近最優(yōu)的方法，這是韋教授這套方法的優(yōu)勢(shì)之一。
問：我們知道AI的學(xué)習(xí)和計(jì)算需要收集很多數(shù)據(jù)，包含個(gè)人數(shù)據(jù)和管理數(shù)據(jù)來進(jìn)行模型的建立。歐盟近期即將頒布一項(xiàng)名為General Data Protection Regulation（GDPR）的法令，在此法令下，只要你沒有保護(hù)好那些有可能可以辨識(shí)出特定人物或地點(diǎn)的數(shù)據(jù)，你就可能遭受嚴(yán)重懲罰。你對(duì)此有什么看法？
韋靈思：首先GDPR僅適用于歐盟，在中國和美國都沒有這樣的規(guī)定。從我個(gè)人的角度，我對(duì)GDPR持支持態(tài)度，因?yàn)槲矣X得保護(hù)隱私非常重要。同時(shí)，我相信GDPR這樣的約束將會(huì)驅(qū)動(dòng)更多創(chuàng)新。從技術(shù)層面看，我們可以通過一些技術(shù)解決方案去應(yīng)對(duì)這樣的挑戰(zhàn)，比如說是數(shù)據(jù)加密，或者在本地資源的范疇內(nèi)完成模型訓(xùn)練。假設(shè)有兩家醫(yī)院，我可以要求他們從數(shù)據(jù)源上支持模型更新，我們可以創(chuàng)建一個(gè)協(xié)議，在這個(gè)協(xié)議之下所有發(fā)送給我的信息都是私密的，所有這些信息都無法提取出個(gè)人資料。這實(shí)際上是一種分布式的思路。對(duì)于Qualcomm來說，這思路非常有趣，因?yàn)槿磕Ｐ偷母露疾荒茉谥行幕脑粕线M(jìn)行，邊緣計(jì)算就顯得更為重要了。另一種解決方案是加密模型，我們可以將模型的每次更新進(jìn)行加密，這樣即使我們?cè)谠粕细铝四Ｐ停膊荒芸吹礁卤旧淼脑斍椋荒軓脑粕汐@取到具體信息。
問：高通分享了汽車和自動(dòng)駕駛方面的規(guī)劃，從介紹看來還是以信息娛樂系統(tǒng)設(shè)計(jì)為主。這是因?yàn)镼ualcomm在自動(dòng)駕駛方面還沒有完整規(guī)劃嗎？還是與未完成的恩智浦收購案有關(guān)？
侯紀(jì)磊：一方面，我們今天更多強(qiáng)調(diào)的是Qualcomm在車載信息處理和信息娛樂市場(chǎng)取得了非常好的發(fā)展勢(shì)頭，這也給了我們信心，我們應(yīng)該繼續(xù)在汽車市場(chǎng)上加大投入。我還想要強(qiáng)調(diào)的是，在自動(dòng)駕駛領(lǐng)域，對(duì)于如何通過整體的方式來發(fā)展面向自動(dòng)駕駛的人工智能技術(shù)，Qualcomm對(duì)此有非常深入的見解和看法。我們?cè)诖髸?huì)上也特別強(qiáng)調(diào)了Qualcomm不僅只是構(gòu)建一個(gè)系統(tǒng)、把demo建起來，我們還更多地從能耗、成本和安全等多個(gè)角度來考慮這個(gè)事情。在一些具體方面，比如說傳感器的研發(fā)和傳感器融合，包括今天提到的利用攝像頭、雷達(dá)等主動(dòng)式傳感器和C-V2X主動(dòng)通信技術(shù)，以幫助駕駛員規(guī)避危險(xiǎn)、且進(jìn)一步提高傳感器信息融合，在這些方面我們都有很多的投入。
問：你在大會(huì)上講了很多語音交互方面的內(nèi)容，請(qǐng)問是基于什么考慮？此外，目前除了智能音箱，語音交互技術(shù)還應(yīng)用到大量手機(jī)甚至PC終端上，你如何看待語音交互在終端側(cè)的應(yīng)用趨勢(shì)？
侯紀(jì)磊：先回答你的第一個(gè)問題。首先，對(duì)于手機(jī)來說，無論是輸入還是交互，兩個(gè)最重要的方式是通過攝像頭和通過音頻。因此，語音交互技術(shù)本身非常重要，可以說業(yè)界對(duì)這種技術(shù)存在一些剛需。
其次，阿蒙總裁在大會(huì)的演講上談到了推動(dòng)終端側(cè)人工智能的兩個(gè)重要方向，一個(gè)是發(fā)展高能效的人工智能，這正是今天韋教授演講的主題，就是如何在終端上用能效最高的方式來運(yùn)行算法。第二個(gè)方向是發(fā)展個(gè)性化的人工智能，這其中有幾個(gè)重要特性，包括情景式感知、始終開啟和通過持續(xù)學(xué)習(xí)實(shí)現(xiàn)自主適應(yīng)。這幾個(gè)特性有三個(gè)共通的重要元素——終端側(cè)、低功耗和個(gè)性化。這三個(gè)元素?zé)o論對(duì)于語音交互本身還是對(duì)于更寬泛的應(yīng)用而言，在推動(dòng)終端側(cè)人工智能發(fā)展上都是非常重要的。
而語音交互剛好可以把這幾個(gè)元素綜合到一起，因此我認(rèn)為這是展現(xiàn)終端側(cè)人工智能發(fā)展趨勢(shì)的一個(gè)很好的話題。
此外，你剛才也提到了在終端側(cè)完成訓(xùn)練的問題。從模型適應(yīng)的角度看，語音交互實(shí)際上是持續(xù)在終端層面上完成模型更新，因此它也是終端側(cè)訓(xùn)練的一個(gè)很好的用例。
再回答你關(guān)于趨勢(shì)的問題。其實(shí)我們非常高興看到OEM廠商和其他生態(tài)系統(tǒng)成員持續(xù)推動(dòng)和拓展語音交互在不同終端上的應(yīng)用。我們的目標(biāo)并不是要構(gòu)建一個(gè)完整的終端側(cè)語音交互系統(tǒng)，我在大會(huì)的演講中有著重強(qiáng)調(diào)，Qualcomm旨在構(gòu)建一個(gè)終端側(cè)的解決方案架構(gòu)。如果OEM廠商或獨(dú)立軟件開發(fā)商有比較好的解決方案，我認(rèn)為Qualcomm和他們?cè)谏鷳B(tài)系統(tǒng)內(nèi)相互補(bǔ)充會(huì)是一件非常好的事情。從另一個(gè)角度看，我們認(rèn)為無關(guān)鍵字（keyword-less）、始終開啟的語音交互將會(huì)是未來非常重要的一個(gè)技術(shù)方向。這需要通過真正低功耗的硬件架構(gòu)作為支撐，在這方面我們還有大量的工作需要完成。
韋靈思：紀(jì)磊已經(jīng)談得十分全面了，我再稍微補(bǔ)充我的看法。這其實(shí)可以回到我們的第一個(gè)問題去看。計(jì)算可以在云端完成，也可以在邊緣或者說終端側(cè)完成，關(guān)鍵在于將計(jì)算任務(wù)分配到最合適的地方進(jìn)行處理。我相信，我們將會(huì)采用組合式的方法來完成，比如將一部分對(duì)時(shí)延不敏感的計(jì)算放在云端處理，將時(shí)延敏感性任務(wù)放在終端側(cè)。實(shí)質(zhì)上，這還是一個(gè)對(duì)計(jì)算任務(wù)進(jìn)行分配的管理問題。我相信生態(tài)系統(tǒng)中的不同部分都會(huì)被整合和利用。隨著5G的到來，我們可以更快地接入到云端，從而能更好地在整個(gè)生態(tài)系統(tǒng)中去分配計(jì)算任務(wù)。
問：Qualcomm在軟件方面已經(jīng)有曠視、商湯等合作伙伴，同時(shí)Qualcomm也在發(fā)展自己的算法，這是否會(huì)與合作伙伴形成競(jìng)爭(zhēng)？
韋靈思：我們開發(fā)自己算法的最重要原因，是為了確保所有算法都可以在驍龍平臺(tái)上高效運(yùn)行。一方面，我們可以通過開發(fā)自己的算法來對(duì)系統(tǒng)進(jìn)行壓力測(cè)試，從而啟發(fā)我們對(duì)于下一代硬件系統(tǒng)的開發(fā)。另一方面，有的客戶會(huì)希望我們幫助他們對(duì)其網(wǎng)絡(luò)做壓縮或量化，以適應(yīng)在驍龍平臺(tái)上的運(yùn)行。因?yàn)槲覀円呀?jīng)有了算法開發(fā)的經(jīng)驗(yàn)，我們就可以為他們提供很大的幫助。客戶也可以選擇使用我們開發(fā)的一些算法，主要面向的是一些沒有資源和能力做獨(dú)立算法開發(fā)的客戶。
侯紀(jì)磊：我補(bǔ)充一個(gè)方面。當(dāng)Qualcomm看到一些技術(shù)發(fā)展的趨勢(shì)，我們可以通過自己的一些實(shí)現(xiàn)方式，包括開發(fā)原型機(jī)和技術(shù)展示等，去向業(yè)界展現(xiàn)這些重要的趨勢(shì)，同時(shí)影響甚至是引領(lǐng)業(yè)界向某些技術(shù)趨勢(shì)加速發(fā)展。我認(rèn)為這也是我們跟合作伙伴合作的一種方式。
注：《AI英雄》人物專訪隸屬網(wǎng)易智能工作室