作者：Arm 物聯(lián)網(wǎng)事業(yè)部業(yè)務拓展副總裁 馬健

（鳴謝 Arm 工程部計算視覺主任架構(gòu)師 Catherine Wang 對本文內(nèi)容的貢獻）

語言學和認知科學的先驅(qū) Noam Chomsky 曾經(jīng)說過，人類語言在動物世界中是獨一無二的。如今，隨著諸如 GPT-3.5、GPT-4.0 和 Bert 等大語言模型 (LLM) 和生成式人工智能 (AI) 的迅猛發(fā)展，機器已經(jīng)開始能夠理解人類語言，這極大地擴展了機器可行使的功能。由此也引發(fā)了人們的思考：接下來技術(shù)會如何發(fā)展？

智能的演進塑造全新計算范式

要預測 AI 的未來發(fā)展方向，我們只需反觀人類自身。我們通過感官、思想和行動的相互動態(tài)作用來改變世界。這個過程包括感知周圍世界、處理信息，并在深思熟慮后作出回應。

在計算技術(shù)的發(fā)展歷程中，我們目睹了曾經(jīng)是人類獨有的感知、思考和行動等能力，逐漸被機器所掌握。每一次能力的轉(zhuǎn)移都將催生出新的范式。

20 世紀末，像 Google 這樣的大公司將信息獲取成本從邊際成本轉(zhuǎn)變?yōu)楣潭ǔ杀?，具體點說就是，Google 投入資金來抓取網(wǎng)絡和索引信息，但對于我們每個搜尋信息的用戶來說，投入的成本幾乎可以忽略不計。機器開始成為我們的信息系統(tǒng)。這開啟了互聯(lián)網(wǎng)時代及其后續(xù)的移動互聯(lián)網(wǎng)時代，改變了人們獲取、傳播和分享信息的方式，并對商業(yè)、教育、娛樂、社交等多個領(lǐng)域產(chǎn)生了深遠的影響。

現(xiàn)在，我們正見證技術(shù)發(fā)展的新轉(zhuǎn)折，思考、推理和模型構(gòu)建的能力正從人類轉(zhuǎn)移到機器上。OpenAI 和大模型將生產(chǎn)模型的成本從邊際成本轉(zhuǎn)變?yōu)楣潭ǔ杀尽?/p>

大模型已經(jīng)通過來自互聯(lián)網(wǎng)的大量文本、圖像和視頻進行了訓練，這其中包含了法律、醫(yī)學、科學、藝術(shù)等各種領(lǐng)域的信息。這種廣泛的訓練使得這些大模型可以作為基礎(chǔ)模型，用以更輕松地構(gòu)建其他模型。

無論是認知模型（如何觀察和表達）、行為模型（如何駕駛汽車），還是特定領(lǐng)域的模型（如何設(shè)計半導體芯片），這一轉(zhuǎn)折點必將激發(fā)各類模型的廣泛涌現(xiàn)。模型是知識的載體，這一轉(zhuǎn)折點將使模型和知識變得無處不在，使我們加速進入新一輪的技術(shù)創(chuàng)新，迎來一個由自動駕駛汽車、自主移動機器人、人形機器人等多樣的機器及其在各行各業(yè)和各種部署場景中應用的新時代。這些新范式將重新定義人機交互的方式。

多模態(tài) LLM 與視覺的關(guān)鍵作用

通過 Transformer 模型及其自注意力機制，AI 可以真正實現(xiàn)多模態(tài)，這意味著 AI 系統(tǒng)可以像人們一樣處理來自語音、圖像和文本等多種模式的輸入信息。

OpenAI 的 CLIP、DALL·E、Sora 和 GPT-4o 就是朝著多模態(tài)邁進的一些模型。例如，CLIP 用于理解圖像與自然語言的配對數(shù)據(jù)，從而在視覺和文本信息之間架起橋梁；DALL·E 旨在根據(jù)文本描述生成圖像，而 Sora 可以根據(jù)文本生成視頻，有望在未來成為全球性的模擬器。OpenAI 則將 GPT-4o 的發(fā)展往前更進一步，OpenAI 綜合利用文本、視覺和音頻信息來端到端訓練單個新模型 GPT-4o，無需進行多媒體與文本的相互轉(zhuǎn)換。所有輸入和輸出都經(jīng)同一神經(jīng)網(wǎng)絡處理，使得模型能夠跨模態(tài)綜合音頻、視覺和文本信息進行實時推理。

多模態(tài) AI 的未來將聚焦于邊緣側(cè)

得益于邊緣側(cè)硬件的進步（許多邊緣硬件都是基于 Arm 平臺開發(fā)設(shè)計的），同時也為了解決延遲問題、隱私和安全需求、帶寬和成本考量，并確保在網(wǎng)絡連接間斷或無連接時能夠離線使用，AI 創(chuàng)新者在不斷突破模型的運行邊界。Sam Altman 也曾坦言[1]，對于視頻（我們通過視覺感知到的內(nèi)容），要想提供理想的用戶體驗，端側(cè)模型至關(guān)重要。

然而，資源限制、模型大小和復雜性挑戰(zhàn)阻礙了多模態(tài) AI 向邊緣側(cè)的轉(zhuǎn)移。要想解決這些問題，我們需綜合利用硬件進步、模型優(yōu)化技術(shù)和創(chuàng)新的軟件解決方案，來促進多模態(tài) AI 的普及。

近期的 AI 發(fā)展對計算機視覺產(chǎn)生了深遠的影響，尤其令人關(guān)注。許多視覺領(lǐng)域研究人員和從業(yè)者正在使用大模型和 Transformer 來增強視覺能力。在大模型時代，視覺的重要性日益凸顯。原因有以下幾點：

機器系統(tǒng)必須通過視覺等感知能力來了解周圍環(huán)境，為自動駕駛和機器人提供關(guān)乎人身安全的必要安全性和避障能力?？臻g智能是被譽為“AI 教母”的李飛飛等研究人員關(guān)注的熱門領(lǐng)域。

視覺對于人機交互至關(guān)重要。AI 伴侶不僅需要高智商，還需要高情商。機器視覺可以捕捉人類的表情、手勢和動作，從而更好地理解人類的意圖和情感。

AI 模型需要視覺能力和其他傳感器來收集實際數(shù)據(jù)并適應特定環(huán)境，隨著 AI 從輕工業(yè)延伸到數(shù)字化水平較低的重工業(yè)，收集物理世界特征數(shù)據(jù)集，建立 3D 物理世界的仿真環(huán)境或數(shù)字孿生，并使用這些技術(shù)來訓練多模態(tài)大模型，使模型可以理解真實的物理世界，這一點都尤為重要。

視覺 + 基礎(chǔ)模型的示例

盡管 ChatGPT 因其出色的語言能力而廣受歡迎，但隨著主流的 LLM 逐漸演變成多模態(tài)，將它們稱作“基礎(chǔ)模型”也許更為貼切。包括視覺等多種模態(tài)在內(nèi)的基礎(chǔ)模型領(lǐng)域正在快速發(fā)展。以下是一些例子：

DINOv2

DINOv2 是由 Meta AI 開發(fā)的先進自監(jiān)督學習模型，它基于原來的 DINO 模型打造，并已通過擁有 1.42 億張圖像的龐大數(shù)據(jù)集進行了訓練，這有助于提高它在不同視覺領(lǐng)域的穩(wěn)健性和通用性。DINOv2 無需專門訓練就能分割對象。此外，它還能生成通用特征，適用于圖像級視覺任務（如圖像分類、視頻理解）和像素級視覺任務（如深度估計、語義分割），表現(xiàn)出卓越的泛化能力和多功能性。

Segment Anything 模型 (SAM)

SAM 是一種可推廣的分割系統(tǒng)，可以對不熟悉的對象和圖像進行零樣本泛化，而無需額外訓練。它可以使用多種輸入提示詞來識別和分割圖像中的對象，以明確要分割的目標。因此在遇到每個新對象或場景時，它無需進行特殊訓練即可運行。據(jù) Meta AI 介紹，SAM 可以在短短 50 毫秒內(nèi)生成分割結(jié)果，因此非常適合實時應用。它具備多功能性，可應用于從醫(yī)學成像到自動駕駛等諸多領(lǐng)域。

Stable Diffusion

文生圖和文生視頻是生成式 AI 的一個重要方面，因為它不僅能夠助力產(chǎn)生新的創(chuàng)意，還有望構(gòu)建一個世界模擬器，用來作為訓練模擬、教育程序或視頻游戲的基礎(chǔ)。Stable Diffusion 是一個生成式 AI 模型，能夠根據(jù)文本描述創(chuàng)建圖像。該模型使用一種稱為潛在擴散 (latent diffusion) 的技術(shù)，在潛在空間 (latent space) 的壓縮格式中操作圖像，而不是直接在像素空間中操作，從而實現(xiàn)高效運行。這種方法有助于減少計算負載，使模型能夠更快地生成高質(zhì)量圖像。

Stable Diffusion 已經(jīng)可以在智能移動設(shè)備的邊緣側(cè)運行。上圖是 Stable Diffusion 優(yōu)化過程的示例：

如果采用 Stable Diffusion 的原始設(shè)置，將不適合在移動端 CPU 或 NPU 上運行（基于 512×512 圖像分辨率）。

通過使用更小的 U-Net 架構(gòu)、更少的采樣步驟、切換到 ONNX 格式、應用量化技術(shù)（從 FP32 到 INT8）和其他技術(shù)，它僅在 CPU 上就實現(xiàn)了超過 60 倍的速度提升。其中許多優(yōu)化技術(shù)和工具都是基于 Arm 廣泛的生態(tài)系統(tǒng)所開發(fā)的。該模型仍有進一步優(yōu)化的空間。

借助多模態(tài) LLM 實現(xiàn)出色視覺體驗

作為 Arm 的智能視覺合作伙伴計劃的一員，愛芯元智 (Axera) 利用其旗艦芯片組 AX650N 在邊緣側(cè)部署了 DINOv2 視覺 Transformer。該芯片采用 Arm Cortex-A55 CPU 集群進行預處理和后處理，結(jié)合愛芯通元混合精度 NPU 和愛芯智眸 AI-ISP，其具有高性能、高精度、易于部署和出色能效等特點。

以下展示了在 AX650N 上運行 DINOv2 的效果：

通過使用多樣化大型數(shù)據(jù)集進行預訓練之后，視覺 Transformer 可以更好地泛化到新任務和未見過的任務，從而簡化了再訓練過程并縮短了調(diào)優(yōu)時間。它們可以應用于圖像分類之外的多種任務，例如對象檢測和分割，而無需進行大量的架構(gòu)更改。

迎接 AI 和人機界面的未來

得益于 AI 和 LLM 的不斷發(fā)展，我們正處于技術(shù)和人類交互轉(zhuǎn)型的交會點。視覺會在這一演進中起到關(guān)鍵作用，賦予了機器理解周圍環(huán)境以及在物理世界中“生存”的能力，可確保安全并增強交互性。在硬件和軟件快速發(fā)展的推動下，向邊緣側(cè) AI 的轉(zhuǎn)變有望實現(xiàn)高效的實時應用。