作者|倪世新
聯(lián)想可能是AI PC概念落地最主要的玩家之一。
前幾天參加聯(lián)想的創(chuàng)新科技大會,其中最關鍵的內(nèi)容,正是AI PC。不夸張地說,聯(lián)想可能把整個生態(tài)都請過來了。
上午的主論壇,高通、英特爾、AMD的三位CEO輪番證言。我當天下午的AI終端產(chǎn)業(yè)生態(tài)創(chuàng)新論壇主持一場圓桌,也是三家芯片公司嘉賓共同參與,這么多年參與的活動很多了,大家在一個環(huán)節(jié)講話,有額外一重意義。
聯(lián)想創(chuàng)新科技大會·AI終端產(chǎn)業(yè)生態(tài)創(chuàng)新論壇
先來說AI PC的價值問題?,F(xiàn)在已經(jīng)出現(xiàn)了截然不同的兩種看法。一種看法來自產(chǎn)業(yè),比如剛才我們說的聯(lián)想、微軟以及芯片公司等,都在把AI PC當作下一個產(chǎn)業(yè)亮點去運營。當然,也還有很多人覺得PC沒有什么可講的,AI PC也只不過是PC加了一個前綴,創(chuàng)作不出多大的價值。
相對來說,我更贊同AI PC價值論。不是因為有多少企業(yè)在宣傳,而是從“模型與算力”要協(xié)同發(fā)展這個角度,AI PC有一定的合理性。
實際上。AI PC和傳統(tǒng)PC可能是不同類別的東西,而且AI PC更接近于早期PC的理念,它的可玩性很高。
1、PC的問題是什么
一提起PC產(chǎn)業(yè),很多人會覺得技術(shù)含量不大,或者使用價值不高。我覺得關鍵就是可玩性出了問題。
早些年間,我還在大學DIY電腦的時候,是很有熱情的,就是因為當年在PC上可玩的東西很多。在沒有智能手機的年代,也沒有云計算的時代,對于個人用戶而言,游戲、辦公、學習,你可以想到的任何軟件應用,都需要在PC上使用。
而PC價值的下降,恰巧是最近十年形成的看法,伴隨PC聲量下降的,是智能手機的崛起。
對于普通用戶而言,大家發(fā)現(xiàn),PC能干的事情,在智能手機上都幾乎都能干。而手機上能干的事情,比如指紋識別、移動定位等,PC還不一定能干。此消彼長之下,PC的價值就越來越低。
一言以蔽之,PC并沒有提供對手機而言,更有價值的東西。PC的算力可能更高,容量可能更大,屏幕尺寸也更大,但是并沒有什么應用,需要這些多出來的性能。
2、改觀是從什么時候出現(xiàn)的
但是如果大家仔細觀察的話,你就會發(fā)現(xiàn),在AI PC概念出現(xiàn)之前,PC產(chǎn)業(yè)的價值就已經(jīng)在提升了,推動力就是遠程辦公。
在全球都要保持社交距離的幾年,遠程上班、遠程上課的需求,讓人們發(fā)現(xiàn),原來還是有一些應用場景,是手機不太擅長的。比如遠程會議,手機無法一邊交互,一邊看文檔;遠程上課也是同理可證。
因此,這幾年PC的銷量實際上出現(xiàn)了大幅上升,甚至在歐美地區(qū)還出現(xiàn)了缺貨問題。
我覺得AI PC概念的出現(xiàn),和這件事給人們帶來的啟發(fā)是有關系的。人們發(fā)現(xiàn),其實不是PC沒有價值,而是像我們在第一段落說的,我們多數(shù)的工作生活場景,用不到PC溢出的性能。
3、大模型成了一個真正的拐點
遠程工作的需求,讓人們認識到,PC依然有其獨特的場景可以發(fā)揮作用。最后,大模型的出現(xiàn),讓這個場景優(yōu)勢進一步發(fā)揮。
可能有人會懷疑PC的價值,但是很少有人會懷疑大模型的價值。而正是大模型為PC創(chuàng)造了一個絕佳的機會。
一個關鍵的原因,就是大模型的使用性能,是和算力成正比例關系的。也就是,算力越強,模型越強。
剛才我們說過,PC的價值發(fā)揮不出來,是因為它的性能優(yōu)勢,在智能手機面前毫無存在感。而大模型的出現(xiàn),讓PC相對于智能手機溢出的性能,有了用武之地。更夸張的是,不僅有了用武之地,甚至還不夠用。因此,幾個芯片廠商,都在PC上加裝了專用加速芯片NPU,來緩解PC性能可能還不夠的問題。
有多大算力,辦多大事兒。
在幾十Tops(Tera Operations Per Second,每秒萬次運算)和幾百Tops這個區(qū)間。就成了AI PC可以發(fā)揮工作的場景。
早年間,有一個安迪-比爾定律,是對硬件升級與軟件升級之間關系的陳述,是指新軟件總將耗盡新硬件所提高的任何計算能力。這條定律源于1990年代在計算機會議上的一句小笑話:“安迪(英特爾CEO)給的,比爾(微軟CEO)就會拿走”。
作為PC產(chǎn)業(yè)這么多年以來的親歷者,楊元慶在大會上接受采訪的時候也說,計算能力的增強,模型可以更完善,參數(shù)也可以越多,所以又可以變成水漲船高的發(fā)展邏輯,讓PC產(chǎn)業(yè)重新走上硬件驅(qū)動軟件,軟件驅(qū)動硬件發(fā)展的軌道上來。
在AI PC上,CPU、GPU、NPU給的算力,大模型都會拿走。而且只會不夠,不會太多。
4、問題是什么?
我們剛才已經(jīng)談清楚了AI PC的成立邏輯,但是也不代表這個理念的落地就會一帆風順,核心在于“用”,分別是用的多,和用的好。
就像我們談到5G、談到VR,就會說這些技術(shù)到底有什么用一樣。談到AI PC,這個端側(cè)AI終端,也面臨,這個PC還可以怎么用的問題。這和我們剛才說,沒有人質(zhì)疑大模型的價值并不矛盾。因為“用”和“用得多”;“用”和“用得好”是有本質(zhì)區(qū)別的。
用得多,就是如何能讓需要幾十Tops算力的、基于幾十億參數(shù)的模型的應用越來越多?
用得好,就是讓AI PC這個智能設備,用起來也很智能。用聯(lián)想對AI PC的定義,PC本身也需要變成一個智能體,PC本體也是智能的。我稱之為“三交”,遇到事情可以和AI交流,對它交辦,等它交差。
5、聯(lián)想能做什么?
那如何讓應用更多,更好?我覺得這是聯(lián)想和它的生態(tài)可以做,而且正在做的事情。
一方面是硬件。要想讓更多人參與到AI PC的應用生態(tài)建設中來,首先是硬件足夠好。這方面聯(lián)想有一定優(yōu)勢。
2004年,聯(lián)想不滿足于只是在中國的業(yè)務,走國際化。恰巧IBM要出售PC業(yè)務,所以一拍即合,聯(lián)想從此走上了全球化、國際化的道路。因此,聯(lián)想和全球AI PC產(chǎn)業(yè)鏈的關系極其緊密,具備了把硬件造得更好的基礎。
另外一方面,更重要的則是軟件。首先,好用的AI PC不是簡單的硬件組裝。因為大模型一開始并不是為端側(cè)準備的,而是云端數(shù)據(jù)中心的產(chǎn)物。輕量化,實際上是隨需求,逐漸演化而來。
換句話說,大模型和很多技術(shù)不一樣,不是自下而上的,而是自上而下的。這其中,就有很多讓模型從大變小,和量體裁衣的工作。
還有,聯(lián)想集團副總裁阿木說,用戶和終端之間的內(nèi)容和服務的交互,也從原來的程序化的交互變成了純自然的交互。那么這個交互工作由誰來做?
而且,對于更多AI應用來說,AI PC是天然的預裝平臺,那么,誰來打造大模型時代的應用商店?
這兩份工作,終端廠商,都可以承擔下來。
最后,講一點個人感受。其實過去幾年,我的PC也沒有更新過,原因和所有人都一樣,我們沒有什么應用,需要更高的算力和存儲。其實不僅僅PC是這樣,智能手機也如此。
如果只是在終端上消費內(nèi)容,那么作為流轉(zhuǎn)平臺,屏幕和網(wǎng)速,比終端自身更重要。
但是,這幾個月,由于要在端側(cè)跑幾個模型,明顯感覺風扇轉(zhuǎn)得比較吃力了。如果我們重新將PC作為創(chuàng)作者工具,那么終端本身的重要性,自然也就不同了。
楊元慶在大會主論壇請上了導演陸川,播放了一段陸導制作的AIGC視頻。記得多年前,我在一次移動通信技術(shù)沙龍上也見到了他。技術(shù)可以讓更多人成為更好創(chuàng)作者,讓AI PC成為人機合作的新載體。
導演陸川(左)、聯(lián)想集團董事長兼CEO楊元慶(右)
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關系,結(jié)合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。