決定AI應(yīng)用在智能手機(jī)上終端還是在云端運(yùn)行，對(duì)于用戶和開發(fā)AI應(yīng)用的企業(yè)都十分重要，因?yàn)檫@與運(yùn)行設(shè)備的長期電池壽命息息相關(guān)。大多數(shù)智能手機(jī)都或多或少地嵌入了AI應(yīng)用，但如果所有的AI工具都在終端運(yùn)行，有可能導(dǎo)致手機(jī)性能下降；而在云端運(yùn)行，則可能導(dǎo)致較長的調(diào)用時(shí)間。

為了解決這一問題，近日Facebook和亞利桑那州立大學(xué)建立了一個(gè)支持AI減輕設(shè)備負(fù)荷的模型——AutoScale。該模型能夠自動(dòng)決策部署AI運(yùn)行的位置，節(jié)省了大量成本，將AI工具的能效提高到基線方法的10．8倍；更能準(zhǔn)確預(yù)測(cè)AI應(yīng)用的合適位置，達(dá)到高性能和低能耗兼?zhèn)涞睦硐胄Ч��?/p>

高能效＋低負(fù)荷

AutoScale：挖掘強(qiáng)化學(xué)習(xí)算法的潛能

AutoScale會(huì)觀察當(dāng)前的AI工作執(zhí)行效率，包括算法的架構(gòu)特征和運(yùn)行時(shí)間差異。它在協(xié)同處理器等硬件之間選擇，找到能夠最大限度提高能源效率的硬件，以保證AI助手的服務(wù)質(zhì)量。對(duì)選定硬件定義的目標(biāo)執(zhí)行推理后，通過觀察其結(jié)果，包括演算運(yùn)行能耗、延遲度和推理精度，以表明選中的硬件是否提高了AI工作效率。

AutoScale模型

AutoScale基于強(qiáng)化學(xué)習(xí)算法，計(jì)算累計(jì)獎(jiǎng)勵(lì)（R值），來選擇AI工具的最佳運(yùn)行方式。例如：對(duì)于給定的處理器，系統(tǒng)使用基于AI能效利用率的模型計(jì)算獎(jiǎng)勵(lì)，假設(shè)處理器內(nèi)核消耗的功率是可變的，內(nèi)核在繁忙和空閑狀態(tài)下花費(fèi)的處理時(shí)間不同，其能源使用情況也各不相同。相比之下，當(dāng)推理擴(kuò)展到連接的數(shù)據(jù)中心時(shí)，AutoScale可以借助基于信號(hào)強(qiáng)度的模型來計(jì)算獎(jiǎng)勵(lì)，預(yù)測(cè)傳輸延遲度和網(wǎng)絡(luò)消耗的能量。

在適應(yīng)QoS限制條約的前提下，比起基線模型，AutoScale更能提高能效。