1163
近來，與AI相關的周期性熱點幾乎都圍繞著大語言模型（LLM）和生成式AI模型，這樣的趨勢反映出這些話題近年來日益增強的影響力和普及程度。與大語言模型和生成式AI模型相關的應用涵蓋了廣泛的領域，從開放式聊天機器人到任務型助手。雖然LLM主要聚焦基于云和服務器端的應用，但人們對在嵌入式系統(tǒng)和邊緣設備中部署這些模型的興趣也在不斷增加。
嵌入式系統(tǒng)（如家用電器、工業(yè)設備、汽車等設備中的微處理器）需要在成本和功耗受限的情況下，適應有限的計算能力和內存可用性。這使得在邊緣設備上部署高精度和高性能的語言模型極具挑戰(zhàn)性。
在邊緣設備上部署LLM
在嵌入式解決方案中，利用LLM的一個關鍵領域是操作員與機器之間的自然對話交互，即人機界面（HMI）。嵌入式系統(tǒng)可以簡化各種輸入選項，如麥克風、攝像頭或其他傳感器，但大多數系統(tǒng)不會像個人電腦、筆記本電腦和手機那樣，配備完整的鍵盤與LLM模型進行交互。因此，嵌入式系統(tǒng)在使用音頻和視覺作為LLM輸入時，必須具備實用性。這需要一個自動語音識別（ASR）或圖像識別和分類的預處理模塊。同樣，交互的輸出選項也有限。嵌入式解決方案可能沒有屏幕，或者不方便用戶閱讀屏幕信息。因此，在生成式AI模型之后，需要一個后處理步驟，使用文本到語音（TTS）算法將模型輸出轉換為音頻。恩智浦正在構建eIQ? GenAI Flow，通過添加必要的預處理和后處理模塊，使其成為一個模塊化流程，從而使邊緣生成式AI更加實用。
通過LLM革新應用
通過集成基于LLM的語音識別、自然語言理解和文本生成功能，嵌入式設備能夠提供更直觀和對話式的用戶體驗。這包括響應語音命令的智能家居設備、通過自然語言控制的工業(yè)機械，以及能夠進行免提對話的汽車娛樂中控系統(tǒng)，以指導用戶或操作車內功能等。
LLM還在健康應用中的嵌入式預測分析和決策支持系統(tǒng)中發(fā)揮作用。設備可以嵌入使用特定領域數據訓練的語言模型，然后利用自然語言處理分析傳感器數據、識別模式并生成見解，同時在邊緣實時運行并保護患者隱私，無需將數據發(fā)送到云端。
應對生成式AI挑戰(zhàn)
在嵌入式環(huán)境中部署準確且功能強大的生成式AI模型面臨許多挑戰(zhàn)。需要優(yōu)化模型的大小和內存使用，使LLM能夠適應目標硬件的資源限制。具有數十億個參數的模型需要數千兆字節(jié)的存儲空間，而在邊緣系統(tǒng)中，這可能會帶來高成本且難以實現。量化和修剪等模型優(yōu)化技術不僅適用于卷積神經網絡，也適用于轉換器模型——這是生成式AI克服模型大小問題的重要方法。
像LLM這樣的生成式AI模型也有知識局限性。例如，它們的理解是有限的，通常會提供不一致的答案，也稱為“幻覺”（hallucination），而且它們的知識受限于訓練數據的時效性。訓練模型或通過再訓練來微調模型可以提高準確性和上下文感知，但這可能在數據收集和所需的訓練計算方面花費巨大。幸運的是，有需求就有創(chuàng)新；通過檢索增強生成（RAG）可以解決這個問題。RAG方法使用特定上下文數據創(chuàng)建知識數據庫，LLM可以在運行時參考這些數據來準確回答查詢。
eIQ GenAI Flow將生成式AI和LLM的優(yōu)勢以實用的方式應用于邊緣場景。通過將RAG整合到該流程中，我們?yōu)榍度胧皆O備提供特定領域的知識，而不會將用戶數據暴露給原始AI模型的訓練數據。這樣可以確保對LLM的任何更改都是私密的，并且僅在邊緣本地使用。
生成式AI正在改變嵌入式應用。閱讀恩智浦關于檢索增強生成(RAG)的白皮書，了解這種方法如何簡化LLM的開發(fā)過程。
作者：
Ali Ors
Ali專門負責領導各跨職能團隊，為機器學習和視覺處理領域提供創(chuàng)新產品和平臺。他目前在恩智浦負責全球AI機器學習戰(zhàn)略和技術工作。Ali曾在恩智浦汽車業(yè)務部負責ADAS和自主產品的AI戰(zhàn)略、戰(zhàn)略伙伴關系和平臺設計。加入恩智浦之前，Ali曾擔任CogniVue公司的工程副總裁，負責開發(fā)視覺SoC解決方案和認知處理器IP內核。Ali持有加拿大渥太華卡爾頓大學的工程學學位。
