蘋果一出手，在手機等移動設(shè)備上部署大模型不可避免地成為行業(yè)關(guān)注焦點。

然而，目前在移動設(shè)備上運行的模型相對較?。ㄌO果的是 3B，谷歌的是 2B），并且消耗大量內(nèi)存，這在很大程度上限制了其應(yīng)用場景。

即使是蘋果，目前也需要與 OpenAI 合作，通過將云端 GPT-4o 大模型嵌入到操作系統(tǒng)中來提供能力更強的服務(wù)。

這樣一來，蘋果的混合方案引起了非常多關(guān)于數(shù)據(jù)隱私的討論和爭議，甚至馬斯克都下場討論。

如果蘋果在操作系統(tǒng)層面集成 OpenAI，那么蘋果設(shè)備將被禁止在我的公司使用。這是不可接受的安全違規(guī)行為。

既然終端側(cè)本地部署大模型的方案既讓手機用戶享受到 AI 強大的智能，又能保護好自己的隱私安全，為什么蘋果還要冒著侵犯隱私的風(fēng)險選擇聯(lián)手 OpenAI 采用云端大模型呢？主要挑戰(zhàn)有兩點：

• 手機內(nèi)存不夠大：按照大模型的 Scaling Law 法則，模型參數(shù)越大，能力對應(yīng)的也就越強，這就意味著能力更強的模型對內(nèi)存的要求越高。

• 手機算力不夠強：即使勉強把通過量化等手段把模型塞進手機了，推理速度也慢，適合的應(yīng)用場景也就非常有限了。

為了解決上述挑戰(zhàn)，上海交大 IPADS 實驗室推出了面向手機的大模型推理引擎（目前論文已在 arxiv 公開）：PowerInfer-2.0。

PowerInfer-2.0 能夠在內(nèi)存有限的智能手機上實現(xiàn)快速推理，讓 Mixtral 47B 模型在手機上達到 11 tokens/s 的速度。

與熱門開源推理框架 llama.cpp 相比，PowerInfer-2.0 的推理加速比平均達到 25 倍，最高達 29 倍。

為了充分釋放出 PowerInfer-2.0 框架的最大潛力，上海交大團隊還提出了配套的大模型優(yōu)化技術(shù) Turbo Sparse，相關(guān)論文近期也上傳了 arxiv，并且已經(jīng)在業(yè)內(nèi)引起關(guān)注。

另外值得一提的是，去年底上海交大團隊提出了針對 PC 場景的快速推理框架 PowerInfer-1.0，在 4090 等消費級顯卡的硬件上，實現(xiàn)了比 llama.cpp 高達 11 倍的推理加速，曾連續(xù)三天登頂 GitHub 趨勢榜，5 天獲得了 5k 的 GitHub star，目前已達到 7.1k star。

相比 PC，手機的內(nèi)存和算力受到的約束更多，那么這次的 PowerInfer-2.0 是如何針對手機場景加速大模型推理呢？

動態(tài)神經(jīng)元緩存

首先，針對手機運行內(nèi)存（DRAM）不足的問題，PowerInfer-2.0 利用了稀疏模型推理時的一個特點：每次只需要激活一小部分神經(jīng)元，即“稀疏激活”。沒有被激活的神經(jīng)元即使不參與 AI 模型的推理計算，也不會對模型的輸出質(zhì)量造成影響。

稀疏激活為降低模型推理的內(nèi)存使用創(chuàng)造了新的機會。為了充分利用稀疏激活的特性，PowerInfer-2.0 把整個神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元分成了冷、熱兩種，并在內(nèi)存中基于 LRU 策略維護了一個神經(jīng)元緩存池。

近期頻繁激活的”熱神經(jīng)元”被放置在運行內(nèi)存中，而“冷神經(jīng)元”只有在被預(yù)測激活的時候，才會被拉進內(nèi)存，大幅降低了內(nèi)存使用量。

其實冷熱神經(jīng)元分類，是繼承自 PowerInfer-1.0 已有的做法。

而在去年 12 月，蘋果在面向端側(cè)的大語言模型推理方案“LLM in a Flash”中提出了和神經(jīng)元緩存類似的“滑動窗口”技術(shù)。但這些工作主要針對的都是 PC 環(huán)境，直接遷移到手機環(huán)境，還會遇到新的難題。

首先手機平臺的硬件條件遠不及 PC，無論是算力、內(nèi)存總量還是存儲帶寬，都與 PC 存在較大差距。

其次，手機硬件平臺存在 CPU、GPU、NPU 三種異構(gòu)的計算單元，十分復(fù)雜。各大硬件平臺宣發(fā)時都會強調(diào)一個總算力，實際上是把 CPU、GPU、NPU 提供的算力加起來。然而真正跑起大模型來，能不能高效利用各種異構(gòu)算力還是個問題。

以神經(jīng)元簇為粒度的異構(gòu)計算

針對這一點，PowerInfer-2.0 進一步把粗粒度的大矩陣計算分解成細粒度的“神經(jīng)元簇”。

每個神經(jīng)元簇可以包含若干個參與計算的神經(jīng)元。對于不同的處理器，會根據(jù)處理器的特性來動態(tài)決定劃分出來的神經(jīng)元簇的大小。

例如，NPU 擅長于做大矩陣的計算，那么可以把所有神經(jīng)元合并成一個大的神經(jīng)元簇，一起交給 NPU 計算，這樣就可以充分利用 NPU 的計算能力。而在使用 CPU 時，可以拆出多個細粒度的神經(jīng)元簇，分發(fā)給多個 CPU 核心一起計算。

具體而言，PowerInfer-2.0 為模型推理的預(yù)填充階段（Prefill）和解碼階段（Decoding）分別設(shè)計了兩套神經(jīng)元簇的劃分方案：

預(yù)填充階段會一次性輸入很多 token，基本上絕大部分神經(jīng)元都會被激活，因此選擇使用大神經(jīng)元簇交給 NPU 計算。CPU 此時也沒有閑著，在后臺為 NPU 執(zhí)行反量化模型權(quán)重的操作。

解碼階段每次只有一個 token，具有較高的稀疏性，因此更加適合劃分成若干細粒度的神經(jīng)元簇，交給 CPU 靈活調(diào)度和執(zhí)行計算。

神經(jīng)元簇這一概念除了能夠更好的適應(yīng)手機的異構(gòu)計算環(huán)境，還能天然地支持計算與存儲 I / O 的流水線并行執(zhí)行。

PowerInfer-2.0 提出了分段神經(jīng)元緩存和神經(jīng)元簇級的流水線技術(shù)，在一個神經(jīng)元簇等待 I / O 的同時，可以及時地把另一個已經(jīng)準(zhǔn)備好的神經(jīng)元簇調(diào)度到處理器上進行計算，從而充分隱藏了 I / O 的延遲。

同時，這種基于神經(jīng)元簇的流水線打破了傳統(tǒng)推理引擎中逐矩陣計算的方式，可以允許來自不同參數(shù)矩陣的神經(jīng)元簇交錯執(zhí)行，達到最高的并行效率。

I / O 加載神經(jīng)元的速度對于模型推理也至關(guān)重要。

分段緩存會針對不同的權(quán)重類型采取不同策略（如注意力權(quán)重、預(yù)測器權(quán)重、前饋網(wǎng)絡(luò)權(quán)重）采取不同的緩存策略，提高緩存命中率，減少不必要的磁盤 I / O。

緩存還會使用 LRU 替換算法動態(tài)更新每個神經(jīng)元的實際冷熱情況，確保緩存中放著的都是最熱的神經(jīng)元。此外 PowerInfer-2.0 還針對手機 UFS 4.0 存儲的性能特點，設(shè)計了專門的模型存儲格式，提高讀取性能。

最后再來看一下實測成績，使用一加 12 和一加 Ace 2 兩款測試手機，在內(nèi)存受限的情況下，PowerInfer-2.0 的預(yù)填充速度都顯著高于 llama.cpp 與 LLM in a Flash（簡稱“LLMFlash”)：

解碼階段同樣是 PowerInfer-2.0 占據(jù)很大優(yōu)勢。特別是對于 Mixtral 47B 這樣的大模型，也能在手機上跑出 11.68 tokens / s 的速度：

而對于 Mistral 7B 這種可以放進手機運行內(nèi)存的模型，PowerInfer-2.0 可以節(jié)約 40% 內(nèi)存的情況下，達到與 llama.cpp 和 MLC-LLM 同水平甚至更快的解碼速度：

PowerInfer-2.0 是一個模型-系統(tǒng)協(xié)同設(shè)計的方案，也就是需要模型中可預(yù)測稀疏性的配合。

如何以低成本的形式調(diào)整模型以適配 PowerInfer-2.0 框架，也是一個重大挑戰(zhàn)。

低成本高質(zhì)量地大幅提升模型稀疏性

傳統(tǒng)簡單的 ReLU 稀疏化會給模型原本的能力造成不小的影響。

為了克服這個問題，上海交大 IPADS 聯(lián)合清華和上海人工智能實驗室提出一個低成本地稀疏化方法，不僅大幅提升模型的稀疏性，還能保持住模型原本的能力！

首先，論文深入分析了模型稀疏化中的問題：

在類 LLaMA 模型中中簡單引入 ReLU，雖然能引入一定程度的稀疏性，但稀疏度仍然有限。

稀疏化過程由于訓(xùn)練語料的不足和訓(xùn)練 token 的不足導(dǎo)致模型精度下降的問題。

為了提升模型的稀疏度，論文在 ReLU 基礎(chǔ)上提出 dReLU 激活函數(shù)，采用替換原有激活函數(shù)后繼續(xù)預(yù)訓(xùn)練的方式增加模型稀疏性。

將 SwiGLU 替換為 dReLU 一方面直觀地提高了輸出值中的零元素比例，另一方面能更有效地在稀疏化的過程中復(fù)用原本模型訓(xùn)練完成的 gate 和 up 矩陣權(quán)重。

為了克服模型能力下降的問題，團隊收集了包括網(wǎng)頁、代碼和數(shù)學(xué)數(shù)據(jù)集在內(nèi)的多樣化繼續(xù)訓(xùn)練語料庫。高質(zhì)量、多樣化的訓(xùn)練數(shù)據(jù)有助于模型在稀疏化后更好地保持和提升性能。

最后，團隊訓(xùn)練了 2 個 TurboSparse 大模型進行驗證，分別是 8x7B 和 7B 的大模型。得益于高質(zhì)量的繼續(xù)訓(xùn)練語料，TurboSparse 系列模型模型的精度甚至還能反超原版模型（具體見表 6）。

而在稀疏度方面效果也非常顯著。相比于原本的 Mixtral 模型需要激活 13B 參數(shù)量，TurboSparse-Mixtral 只需要激活 4.3B 的參數(shù)量，激活的參數(shù)量是原本模型的三分之一。

而關(guān)于稀疏化過程的成本問題，TurboSparse 論文中介紹，改造過程中模型需要繼續(xù)訓(xùn)練 150B tokens，相比于預(yù)訓(xùn)練（假設(shè) 3T tokens）還不到 5%，說明其成本是很低的。

讓技術(shù)加速走出實驗室

從推理框架和改造模型兩個角度出發(fā)，上海交大團隊的成果實現(xiàn)了大語言模型在手機等資源受限場景下的快速推理。

而且這套方案的潛力不止于手機，未來在車載設(shè)備、智能家居等方向還有更多應(yīng)用前景。

最后再正式介紹一下團隊。上海交通大學(xué)并行與分布式系統(tǒng)研究所（簡稱 IPADS），由陳海波教授領(lǐng)導(dǎo)，現(xiàn)有 13 名教師，100 多名學(xué)生。

IPADS 長期從事計算機系統(tǒng)的研究，近 10 年在權(quán)威榜單 CSRankings 的 Operating Systems 領(lǐng)域排名全球前二，僅次于 MIT；上海交大也是排名前十中唯一上榜的亞洲高校。

目前，上海交大 IPADS 已經(jīng)在 Huggingface 上開放了稀疏化的模型權(quán)重。在未來，如果 PowerInfer-2.0 能夠與手機廠商進一步緊密合作，相信可以加速相關(guān)技術(shù)走出實驗室，落地到各種真實場景。

• PowerInfer-2 論文：https://arxiv.org/abs/2406.06282

• TurboSparse 論文：https://arxiv.org/abs/2406.05955

• 模型權(quán)重：https://huggingface.co/PowerInfer/TurboSparse-Mixtral

廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。