领先研究实现人工智能第一

heyjoypaul

在高通，我们拥有创新文化。我们为研究和开发将改变世界的基础技术而感到自豪。将这些想法原型化并确保它们可以在现实条件下部署和扩展，这也是我们的基因。我们有句话说，如果你没有测试过它，它就不起作用——所以我们播种想法，构建原型系统，看看它们是否值得努力将其商业化。加速从人工智能研究到商业化的进程一直是令人畏惧的，因为在现实世界中部署该技术除了开发理论工作的实验室环境之外还面临着许多挑战。高通人工智能研究中心不仅承担了开展新颖人工智能研究的任务，而且还率先在商业设备上展示了概念验证，为技术在现实世界中的扩展铺平了道路。在这篇博文中，我将介绍我们的新颖人工智能研究和全栈人工智能研究，这些研究首次在商业移动设备上进行了概念验证演示。在整个人工智能领域进行创新在高通人工智能研究中心，我们进行涵盖人工智能研发整个领域的新颖研究，以突破机器学习的可能性界限。我们的研究方向可以分为三个领域基础研究着眼于最长远的未来，通常更具基础性。例子包括组等变或和量子。平台研究的重点是通过采用模型量化和压缩等技术以及增强编译器算法，在硬件上运行人工智能模型时实现最佳功耗、性能和延迟。应用研究是我们利用人工智能的基础和平台进步在特定用例例如视频识别和预测中实现最先进的技术。高通图像。

我们涵盖人工智能研究和开发的整个领域。点击查看大图。通过全栈人工智能研究部署我们的创新为了将这些创新带给大众，我们需要更深入地进行全栈人工智能研究。这意味着研究跨应用程序、神经网络模型、算法、软件和硬件的优化技术，以及在公司内跨 开曼群岛电话营销数据 学科工作有时与其他公司合作。有许多层的硬件和软件可以进行调整和优化，以最低的能耗发挥每一点性能。一旦我们完成了全栈优化并验证了技术，我们就可以使生态系统快速大规模商业化。高通图像我们的全栈研究对于基础研究的可部署性至关重要。点击查看大图。在研究和概念验证方面推动人工智能先行我们有目的的创新带来了许多人工智能第一——由于我们的全栈优化，这些第一在新颖的研究和在目标设备上运行的概念验证方面都是第一。高通图像我们的人工智能在研究和概念验证方面均处于领先地位。点击查看大图。我将简要描述一些示例，但请收听我的网络研讨会并下载演示文稿，以获取所有其他示例的更详细说明。模型量化尽管随着模型尺寸的增加，人工智能带来了巨大的新功能，但它通常是以计算量、能耗和延迟。



增加为代价的。量化会降低模型的权重参数和激活节点计算的精度。如果您可以保持模型的准确性，那么量化会带来令人信服的好处，例如提高能效、提高性能和降低内存使用量。我们发明了快速部署8位量化的最佳技术，同时保持模型精度，例如无数据量化、Ru和转换器量化。我们还通过业界最好的能效工具包模型效率工具包()开源研究成果，推动行业走向整数推理。高通图像我们发明了快速部署8位量化的最佳技术。点击查看大图。联邦学习对人工智能驱动的智能、个性化体验的需求不断增长。设备正在产生越来越多的数据，这有助于改善我们的人工智能体验。然而，我们如何在利用这些富有洞察力的数据的同时保护隐私呢？联合学习通过设备上学习并且仅在中央位置聚合模型更新来解决这个问题。为了改进联邦学习，我们发明了将差分隐私和压缩相结合的方法。我们的差分隐私相对熵编码(R)方法可以保护隐私并实现高压缩，从而大幅减少通信量。我们还展示了第一个针对移动生态系统的联邦学习端到端研究软件框架，展示了语音用户验证示例。