未来移动端的“最强AI引擎”百度华为如何打造？_风闻

这是Han的第71篇原创文章

今天，咱们聊聊手机和AI。

先说一个最新的段子。

华为今年的Mate 30 Pro有一个最新的功能。可以用AI自动检测有几个人在盯着你的手机。

如果只有你自己在看，那通知就会显示全文。如果同时还有别人在看，那通知就会折叠隐藏。

于是，最恐怖的一幕就是：深夜，你一个人在家，Mate 30 Pro把通知隐藏了。

其实，今年的各大厂新旗舰手机，AI绝对还是亮点。

谷歌Pixel 4的GoogleAssistant支持多任务处理，和朋友聊天的时候，你可以随时问问看自己的航班情况。

最厉害的，就是全新加入的手势雷达 + 人脸识别功能了。不仅可以隔空取物，也达到了史上最快手机解锁体验。

而各种上热搜的iPhone 11 Pro的浴霸三摄，则实现了业界最流畅的多摄像头顺滑切换体验。

这些新体验背后，都有着AI的加持。

手机的AI是不是伪需求？

8年前，iPhone 4s推出最新功能Siri，语音识别正式“实用化”开始，人们开始相信AI的用处。

手机上的AI，需要专门的硬件么？

2年前，华为推出麒麟970芯片，内部搭载NPU单元，助力AI计算。也使得当年的Mate 10成为全球第一款搭载NPU的智能终端。

今天，移动端+ 芯片硬件，已经是各大厂的标配。同时，为了更多释放AI能力，都开放了各类接口和工具给到了开发者。

iPhone11 Pro的最新A13自研芯片，内部搭载8核神经引擎，助力Face ID等功能。

开发者方面，iOS则升级套件到CoreML 3，方便打造各类AI应用。

安卓方面，骁龙660平台开始，就已经引入AI计算引擎，去年底的855正式硬件加入Tensor Core计算单元。

开发者方面，更是推出Neural Processing (NP) SDK，以及和安卓深度耦合的Android Neural Network API。

华为除了硬件，还搭建了面向智能终端的AI能力开放平台HiAI。

而今年7月，百度飞桨（PaddlePaddle）深度学习平台与华为麒麟芯片正式宣布联手。

​

中国首个全面开源开放、技术领先、功能完备的产业级深度学习平台，和全球领先的最强“国产芯”华为麒麟系列联手，正式打通深度学习框架与芯片，为AI时代打造最强算力。

本周，在刚刚结束的“WAVE SUMMIT+”2019深度学习开发者秋季峰会上，刚刚入选“2019世界互联网大会领先科技成果”的飞桨全新发布了9大新产品和12项升级。

重点的是，最新的移动端侧推理引擎Paddle Lite 2.0，不仅支持ARM CPU 、 Mali GPU 、 Adreno GPU，还成为了第一个，支持华为 NPU 在线编译的深度学习推理框架。

两大“国货之光”也给出了最新成绩。

PaddleLite与HiAI Foundation联合优化后，相比骁龙855，麒麟990上推理速度FP32提升4.3倍-6.4倍，INT8提升2.3倍-3.7倍。

看到这，可能很多小伙伴还有疑问：这么强的AI算力，在手机上，真的有用吗？

当然，下面我就举出几个常见的手机应用案例。

AI的核心能力，是可以读懂文字，看懂图片。

我们每天要通过手机接触大量的文字：工作的短信消息，邮件，还有阅读新闻和公众号文章。

AI可以瞬间理解这些内容。最简单的应用，可以分类你的消息，去除垃圾短信和邮件；高级点的，就可以帮你自动补全邮件内容；再高级点，可以分辨你的情绪、情感，还有多种语言翻译。

飞桨本次发布的ERNIE 2.0，就是一个针对“语义理解”的端到端的开发套件，有着工业化的计算能力，延迟小于1ms，可以让开发者快速使用。 

图像应用方面就更多了。你使用的P图软件，视频滤镜，都有AI的相关能力。这些都需要图像分割技术。

而PaddleSeg的开发套件，提供18个预训练模型，可以帮助开发者快速实现相关功能。

有时候，你看到明星的衣服很好看，想用图片搜索找找同款，这个时候就要用到目标检测技术了。还有，你家里如果使用了智能摄像头，可以快速捕捉移动物体，安全防盗，也要利用这个技术。

对应的，PaddleDetection含有60+ 预训练模型，还有竞赛冠军模型，也在本次全新发布。其中，还包含了很多实用的小模型，方便给移动设备使用。

对了，还有一个工业中非常常用的例子：点击率（CTR）预估。

比如，你手机里有那么多App，可不是每天都用。苹果的Siri快捷菜单，就会给你推荐最常用的8个，这就是按照点击率排序的。

同样类似的，很多App都有超级多菜单，超多功能，怎样找到最合适的给你优先显示呢？这里也需要CTR模型。

而飞桨本次，则新增了ElasticCTR，可实现分布式CPU训练，可以为开发者快速解决上面的CTR应用问题。

有很多人觉得，5G时代已经来临，再过几年就将全面普及。到时候，**我们还需要在移动端的AI能力么？**NPU是不是就没有用了呢？

其实，NPU + 框架，就是未来移动设备AI能力演化的“公式”，5G时代也不会落后。

首先，网络再快，传输大量数据和信息也会损失能量，损失能量就是损失金钱。

如果移动端设备可以本地快速预先处理数据，只将少量的、处理后的数据返回云端，不仅减少了云端的计算压力，也会让用户体验更快更好。

此外，5G最重要的应用场景就是IoT物联网。以后，接入网络的可不一定就是手机，小到水杯，大到工业机床都可能入网，实现万物互联。

到时候，这些移动设备可不见得有手机那样的强大能力，内存和网络能力可能都赶不上。那么，我们能不能把模型压缩到足够小，让这些设备方便使用，就是一个技术难点。

PaddleSlim则提供了强大的模型压缩能力，通过剪枝、量化、蒸馏，和全新的LightNAS，可以实现模型的精度无损压缩。

另外，最重要的，移动端设备上的AI，可以保证数据保留在本地，实现强大的数据安全。

比如，你的人脸识别解锁的数据，指纹的数据，还有其他更敏感的，比如身体的健康数据，都将本地安全留存。

以上，在设备上运行的AI，称之为OnDevice AI。这个能力，也将会是以后移动端AI发展的方向之一。

此外，华为HiAI和飞桨还将在哪些能力上下功夫？

今年谷歌和华为都加入隔空操作后，我看到了一个趋势。手机，以后会有更多的各类传感器。以后的训练数据，将不仅仅是文字、图像和声音，这些传感器的数据也将派上大用。

这就是为什么，「多模融合」是我最期待的方向之一。也就是说，把多模型的信息，统一到一个特征空间当中，之后进行融合训练，这会让感知以及识别更精准。

重要的是，降低开发难度，绝对是一个趋势。

这几年的AI框架迭代，很重要的一方面，就是让开发体验越来越好，应用门槛越来越低。而现在的飞桨已经可以只用5行代码，快速配置GPU进行并行训练了。

在硬件上，NPU也好，神经引擎也好，都在底层上努力，让AI应用发挥更大价值。

在软件上，各类框架疯狂提升模型能力，降低部属难度，提高开发效率。

更重要的是，软件和硬件要互相协调，深度耦合，最终将实现以最低成本达成超高用户体验的目标，赢得全球市场。

这样的软硬结合的移动端发展之路，一定是各大厂今后的角逐舞台。