導語：大模型在手機端的落地，不僅僅是AI進入人類生活的開始，也是行業發生顛覆，新老巨頭進行更替的時刻。

將大模型變小，再塞進手機，會給人們的生活帶來怎樣的影響？

最近，榮耀成為了國內率先的破局者。

7月12日，榮耀了發布一款“革命性”的大模型手機Magic V2。成為全球首個實現大模型與手機系統融合的廠商。

在榮耀的宣傳中，更加個性化、更注重隱私，并且具備多模態功能的大模型，將會給用戶帶來全新的體驗。

實際上，不只是榮耀，身為手機芯片龍頭企業的高通，也在近期發布了自身的大模型。

在7月初召開的上海WAIC上，人們看到搭載高通第二代驍龍8芯片的安卓手機直接運行參數規模超過10億的Stable Diffusion，且只需要15秒左右就可以出圖。

更重要的是，這樣的運行，是完全本地化的，只依賴手機本身的算力。

從GPT-3.5到GPT-4.0，曾經需要高昂算力，或者只能跑在云端的AI大模型，也開始在智能終端設備中落地。

不過，在興奮之余，冷靜的人總不免會問：我真的需要一個在部署在手機大模型么？還是說這只是手機廠商為挽救疲軟的市場而制造的噱頭？

打破APP的壁壘

在人們討論“大模型手機”之前，一個不可忽略的事實是：當今的各類大模型AI，如chatGPT、新必應等，實際上早已推出了各自的手機版APP。

通過這一個個APP，在手機上運行大模型，早已不是什么難事，且與本地部署的方式相比，這些調用云端算力的APP，并不會對手機配置造成額外負擔。

那既然如此，那人們為什么還要費盡心機地開發一個專用的“手機版”大模型呢？

對于這個問題，谷歌之前的做法似乎給出了一個可能的答案。

今年5月，在ChatGPT 3.5發布半年后，Google終于公布了全新一代大語言模型PaLM2，用以對抗ChatGPT。作為一種差異化競爭，PaLM2可以被部署在智能手機上。

當時，PaLM2包含四個大模型，按照參數規模從大到小，分別命名為：獨角獸（Unicorn）、野牛（Bison）、水獺（Otter）和壁虎（Gecko）。

只有參數最小的“壁虎”可以在手機上運行，Google稱，它的運行速度足夠快，不聯網也能正常工作。

但問題是：人們為什么要以犧牲參數、性能為代價，在手機上使用這樣一個“縮水版”的小模型呢？

一個最重要的原因是：與那些以APP形態出現在手機上的大模型相比，一個融入手機系統中的大模型，可以打破各應用之間的壁壘，讓其他App也自帶大模型特性。

例如，融入手機中壁虎（Gecko），可以通過Gmail，實現自動寫郵件的功能。

用戶只需在Gmail的“Help me write”（幫我寫）中輸入需求，它就會結合此前郵件中的信息，寫出完整的郵件。

通過這樣與手機系統深入融合的大模型，人們不僅可以實現AI對各類APP的賦能，甚至還能將大模型作為通用接口，像“膠水”一樣，將各類APP的能力實現組合，實現更多具有想象力的擴展。

例如，倘若人們在一個陌生的地點出行，想尋找某個罕見、偏僻，在地圖上并不顯眼的位置，這時，手機上的大模型，就可以調用語音+識圖+導航的多模態功能，十分接地氣地告訴你：“在前面的蘭州拉面往左拐，看到城市便捷酒店后再右拐300米”，而不是簡單地說出“直行”、“右拐”等機械的回答。

然而，要實現這樣的組合，一個難以繞開的問題，就是算力。

同樣的，開始在手機上部署大模型的高通，也意識到了這個問題。在高通日前發布的《混合AI是AI的未來》技術白皮書中，首次提出了混合AI架構的概念。

而這一概念，簡而言之，就是讓AI能夠在云端和終端側進行分布式處理，并根據不同的模型和需求靈活分配負載。

改造現實的肢體

也許有人認為，與在手機上部署大模型的做法相比，在云端進行計算的方法，才是既省力又劃算的。

然而，實際上隨著日活用戶數量及其使用頻率的增長，云端推理的成本會顯著增加，而這樣的高成本，也會讓生成式AI的規模化擴展陷入瓶頸。

畢竟，單個AI超算的服務器帶寬，以及消耗的電力，終歸是有上限的，而用戶的增長卻并沒有一個固定的上限。

這就是為什么混合AI架構，即在云端和終端側進行分布式處理的AI，會成為AI的未來趨勢，因為它能夠利用終端側的計算能力，降低云端推理的依賴和成本。

而在混合A架構的基礎上，高通還提到，為實現生成式AI的規模化擴展，AI處理的重心正在向邊緣轉移。

也就是說，將來會有越來越多的AI數據，會在手機、攝像頭、傳感器等終端側進行處理。

那這對大模型的發展來說意味著什么？

截至目前為止，大部分大模型所能處理的任務，仍舊停留在文字生成、繪制圖片、編寫代碼這些工作上。

這樣的任務，本質上都是屬于出不了辦公室的“案頭工作”。

而AI如果要真正地走進社會，為更多的行業、群體帶來改變，而不僅僅是一個存在于網頁中的“秘書”，那它就必須具有改造現實世界的“肢體”。

而這樣的“肢體”，正是一個個嵌入各個行業的邊緣端設備。

舉例來說，在醫療領域，AI可以通過智能攝像頭，評估帕金森患者的狀態；

在工業行業，邊緣化的AI可以提高生產過程的智能化和自動化，高效地完成零部件瑕疵檢測等任務。

在農業領域，邊緣化的AI可以通過智能傳感器或無人機，實現對農作物的精準種植和管理，如實現農業病蟲害識別、農作物品質評估等任務。

所有這一切，都是僅存在于網頁中的大模型所無法完成的。

也正因如此，大模型“邊緣化”所帶來的顯著后果，就是AI橫向應用范圍的極大擴展。

如何讓GPT助力農業，已經成為人們思考的方向之一

而隨著邊緣化的到來，聯邦計算等與之匹配的模型訓練方式，也將打破原本數據中心化的格局。

因為到了那時，數據并不總是在某一個云端服務器完成計算，而是由多個參與方在本地訓練機器學習模型，之后再將模型參數或梯度上傳到中心服務器進行聚合。

但詭異的是，依據科技行業發展的邏輯，這樣一種去中心化的、可以實現跨行業或跨領域數據共享的技術，非但不會弱化原有的壟斷行為，甚至還會進一步將其強化。

新巨頭的崛起

在前網絡時代，人們認為個人網站可以消解大傳統媒體的信息壟斷，但后來互聯網霸主的規模，早已傳統媒體的市值的天花板。

如果將這些科技巨頭的市值，換算成國家的GDP，那么在2022年，微軟的市值就超過了五常之一的俄羅斯（1.7萬億），全球能與之匹敵的經濟體屈指可數。

究其原因，是因為任何“技術平權”的進行，在讓科技變得更加低廉化、平民化的同時，都會反向地催生出一批技術壁壘更高，集中性更強的超級巨頭。

因為正是有了這些“高壁壘”的技術進行支撐，巨頭們的規模擴張才成為可能。

例如Meta正是通過一系列數據、算法的優勢，才能對眾多用戶投其所好，并構筑了Facebook和Twitter等龐大的社交帝國。

而英偉達也正是通過自身核心的GPU技術，和壁壘頗高的CUDA生態，才讓今天的大模型得以完成海量的計算，才得以讓AI成為人人觸手可及的技術。

而同樣的，當混合計算的AI，通過云端與終端側相結合的方式，降低了大模型的推理的成本后，其造成的“技術平權”，至少會造就兩個方向上的巨頭。

其一，就是邊緣化芯片的提供者。

因為芯片層的AI運算處理能力，是AI落地終端的必要條件。

雖然在邊緣化時代，AI的算力場景是多樣化的，例如工業、醫療、娛樂等，但其中最重要的“七寸”，仍然是在用戶量最多的手機端。

誰若是能圍繞手機端的大模型，形成一套從設計、生產、到軟件生態一體化的完整體系，誰就將成為新一代的巨頭。

在這方面，身為行業龍頭的高通，早已開始了提前布局。

目前，搭載驍龍平臺的已發布XR終端已經超過65款，其中Meta、PICO等頭部廠商的旗艦產品均采用的是高通芯片。

第二個方向的巨頭，就是能為行業提供全套解決方案的玩家。

畢竟AI在終端側的落地，需要的不僅是硬件，還有軟件端的優化。

在同樣的硬件基礎上，誰的AI引擎能比其他競品具有更高的效能，能更快地完成計算，誰就將在軟件棧方面更具優勢。

而要想實現這點，就必須在大模型的量化、壓縮、條件計算、神經網絡架構搜索和編譯方面進行突破，在不犧牲太多精度的前提下對AI模型進行縮減。

因此，誰能在大模型的壓縮、小型化技術上取得突破，誰就能率先構建起自身基于終端的軟件生態。

綜上所述，大模型在手機端的落地，不僅僅是AI真正具備“肢體”，進入人類生活的開始，也是行業發生顛覆，新老巨頭進行更替的時刻。

在這樣的時代，變革的風暴遠比我們想象的要猛烈。

審核編輯：劉清