把大模型装进手机，分几步？

点击关注

文 | 姚悦

编 | 王一粟

大模型“跑”进手机，AI的战火已经从“云端”烧至“移动终端”。

“进入AI时代，华为盘古大模型将会来助力鸿蒙生态。”8月4日，华为常务董事、终端BG CEO、智能汽车解决方案BU CEO 余承东介绍，通过盘古大模型的底层技术，Harmony OS带来了下一代智能终端操作系统。

在手机上使用大模型早已不是新鲜事，此前ChatGPT、文心一言、妙鸭等APP、小程序都是通过调用云端算力，满足手机终端AI应用的需求。

下一步，则是让大模型直接运行在手机上。

从今年四、五月开始，美国科技三巨头——高通、微软、英伟达，最受瞩目的AI新星OpenAI，以及国内AI“头部战队”的腾讯、百度等，都已经纷纷加速推进在移动终端的轻量化部署AI大模型。高通甚至宣布，正在逐渐转型成一家智能边缘计算（在移动终端等数据源头提供计算服务）的公司。

巨头的群力强推下，大模型从云到端迈进的产业趋势已经十分明确。

大模型为什么要“跑”在手机上？

大模型的最大特点就是“大”，动辄百亿千亿甚至万亿参数，且为了更好运行大模型，算力集群都已经升级到“万卡”级别。如今，为什么又非要把大模型“塞”进巴掌大的小手机？

大模型确实会给手机用户带来一些体验上的提升。例如，华为终端智能助手小艺不仅可以根据语音提示推荐餐厅，还可以进行摘要总结、信息检索、多语种翻译等信息处理，数千字的英文长文，具备大模型能力的手机智能助手就可以生成摘要，还可以翻译成中文。尤其后一点，在信息爆炸时代，对于提高学习工作效率还是很有价值的。

华为终端BG AI与智能全场景业务部总裁贾永利解释，一方面，大语言模型具备泛化能力，能够帮助手机智能助手提升理解能力。另一方面，大模型Plug-in的插件能力，可以在手机内部打通各应用之间的壁垒，借助工具拓展能力。

此外，ChatGPT等AIGC应用一直以来都伴随着强烈的隐私安全争议，但如果完全在端侧运行，就能够完全避免这一问题。因为大模型在端侧运行，数据也不会离开端侧。而且，这样响应的速度还会更快。

另一边，大模型对于到手机等移动终端的需求也已经非常迫切。

大模型的汹涌之势让云端越来越无法独自承载算力的需求。高通高级副总裁Alex Katouzian近期就直言，“随着连接设备和数据流量加速增长，叠加数据中心成本攀升，（我们）不可能将所有内容都发送到云端。”

不算数据传输要消耗网络带宽、存储，以及硬件等大量资源，光是云端算力现在已经让相关厂商有些吃不消。ChatGPT仅在推理阶段，保守估计每个月算力成本在1000万美元左右。

最大的问题还不是“贵”，而是“缺”。

此前，就连OpenAI创始人Sam Altaman都自曝GPU很缺，甚至直言不希望太多人用ChatGPT。近期，也有业内人士推测，小型和大型云提供商的大规模H100集群容量即将耗尽，H100的需求趋势至少会持续到2024年底。当前英伟达H100的产能还严重受制于供应链。

所以，云端和终端形成配合，手机等终端闲置算力资源被利用起来，解决“集中式”算力与“分布式”需求的错配，已经成为大模型发展“降本增效”的确定趋势。更重要的是，相比数量有限的中心节点，众多的移动终端堪称触及万千场景的“毛细血管”，也就决定了这一入口会是大模型加速应用渗透的关键。

如何把大模型“装进口袋”？

“相比传统的PC或者服务器，移动终端最大的挑战就是如何平衡好体验和能耗，这是鸿蒙内核设计最重要的核心点之一。”华为终端业务软件部总裁龚体强调。

大模型需要大量的计算资源和存储资源，尤其是基于现有的手机硬件配置，这就需要软件系统做好协调，提升效率降低能耗。

现在手机为了提高性能，至少是8个芯片内核，就需要手机系统做协同，这个过程就会消耗大量算力。如果采用异构资源调度，就可以高效协调CPU、GPU、NPU。龚体表示，这样调度效率可以提升60%以上。

手机系统能够进行运算，调度的最小单位叫做线程，传统的操作系统中往往上万线程同时运行，其中就会存在大量无效线程。针对这点，就可以通过更轻量的并发模型来处理并发操作，降低无效线程切换对算力的消耗。据龚体说，并发模型可以让任务切换开销节省50%。

另外，在操作系统的任务调度方面，这也是影响流畅体验的最基本要素，相比公平调度，动态优先级调度会很大程度降低能耗。动态优先级调度就类似于一个智能交通系统，可以根据道路状况和交通流量，动态调整交通信号灯亮起状态，如当某个方向的车流增加时，该方向的信号灯就提前变绿，就会减少拥堵和延迟。

不过，要想让大模型部署到手机上，还能运转起来，光是手机操作系统升级改进还远远不够。

随着大模型预测越来越准确，网络越来越深，神经网络消耗的内存容量已成为核心问题。同时，还涉及内存带宽的问题，网路运行时，内存、CPU和电池都会飞速消耗，这绝对是现在的手机难以承受之重。

因此，在部署到手机之前，就必须对大模型进行压缩，以降低对推理算力的需求。但是，一定要确保原有性能和精度基本不变。

量化就是一种常见且重要的压缩操作，可以减少模型占用的内存空间，提高推理性能。本质上就是将浮点运算模型转化为整数运算模型，因为整数运算比浮点运算精度更高，运算速度也更快。

当前，量化技术也已经在加速突破。服务器上训练的模型一般采用32位浮点运算（FP32），在手机端，高通已经将FP32模型量化压缩到INT4模型，实现64内存和计算能效提升。高通的实现数据表明，在借助高通的量化感知训练后，不少AIGC模型可以量化至INT4模型，与INT8相比，性能提升约90%，能效提升大约60%。

大模型压缩技术，无疑是AI巨头制胜移动终端战场的关键因素。这也在一定程度上，解释了英伟达在今年2月为什么“悄悄”收购了掌握压缩大模型技术的人工智能初创公司OmniML。