隨著人工智能 (AI) 的演進，人們對使用小語言模型 (SLM) 在嵌入式設備上執行 AI 工作負載的興趣愈發高漲。

以下的演示展現了端點 AI 在物聯網和邊緣計算領域的發展潛力。在此演示中，當用戶輸入一個句子后，系統將基于該句擴展生成一個兒童故事。這項演示受到了微軟“Tiny Stories”論文和 Andrej Karpathy 的 TinyLlama2 項目的啟發，TinyLlama2 項目使用了 2,100 萬個故事來訓練小語言模型生成文本。

該演示搭載了 Arm Ethos-U85 NPU，并在嵌入式硬件上運行小語言模型。盡管大語言模型 (LLM) 更加廣為人知，但由于小語言模型能夠以更少的資源和較低的成本提供出色的性能，而且訓練起來也更為簡易且成本更低，因此越來越受到關注。

在嵌入式硬件上實現

基于 Transformer 的小語言模型

我們的演示展示了 Ethos-U85 作為一個小型低功耗平臺，具備運行生成式 AI 的能力，并凸顯了小語言模型在特定領域中的出色表現。TinyLlama2 模型相較 Meta 等公司的大模型更為簡化，很適合用于展示 Ethos-U85 的 AI 性能，可作為端點 AI 工作負載的理想之選。

為開發此演示，我們進行了大量建模工作，包括創建一個全整數的 INT8（和 INT8x16）TinyLlama2 模型，并將其轉換為適合 Ethos-U85 限制的固定形狀 TensorFlow Lite 格式。

我們的量化方法表明，全整數語言模型在取得高準確度和輸出質量之間實現了良好平衡。通過量化激活、歸一化函數和矩陣乘法，我們無需進行浮點運算。由于浮點運算在芯片面積和能耗方面成本較高，這對于資源受限的嵌入式設備來說是一個關鍵考量。

Ethos-U85 在 FPGA 平臺上以 32 MHz 的頻率運行語言模型，其文本生成速度可達到每秒 7.5 到 8 個詞元 (token)，與人類的閱讀速度相當，同時僅消耗四分之一的計算資源。在實際應用的系統級芯片 (SoC) 上，該性能最多可提高十倍，從而顯著提升了邊緣側 AI 的處理速度和能效。

兒童故事生成特性采用了 Llama2 的開源版本，并結合了 Ethos NPU 后端，在 TFLite Micro 上運行演示。大部分推理邏輯以 C++ 語言在應用層編寫，并通過優化上下文窗口內容，提高了故事的連貫性，確保 AI 能夠流暢地講述故事。

由于硬件限制，團隊需要對 Llama2 模型進行適配，以確保其在 Ethos-U85 NPU 上高效運行，這要求對性能和準確性進行仔細考量。INT8 和 INT16 混合量化技術展示了全整數模型的潛力，這有利于 AI 社區更積極地針對邊緣側設備優化生成式模型，并推動神經網絡在如 Ethos-U85 等高能效平臺上的廣泛應用。

Arm Ethos-U85 彰顯卓越性能

Ethos-U85 的乘法累加 (MAC) 單元可以從 128 個擴展至 2,048 個，與前一代產品 Ethos-U65 相比，其能效提高了 20%。另外相較上一代產品，Ethos-U85 的一個顯著特點是能夠原生支持 Transformer 網絡。

Ethos-U85 支持使用前代 Ethos-U NPU 的合作伙伴能夠實現無縫遷移，并充分利用其在基于 Arm 架構的機器學習 (ML) 工具上的既有投資。憑借其卓越能效和出色性能，Ethos-U85 正愈發受到開發者青睞。

如果在芯片上采用 2,048 個 MAC 配置，Ethos-U85 可以實現 4 TOPS 的性能。在演示中，我們使用了較小的配置，即在 FPGA 平臺上采用 512 個 MAC，并以 32 MHz 的頻率運行具有 1,500 萬個參數的 TinyLlama2 小語言模型。

這一能力凸顯了將 AI 直接嵌入設備的可能性。盡管內存有限（320 KB SRAM 用于緩存，32 MB 用于存儲），Ethos-U85 仍能高效處理此類工作負載，為小語言模型和其他 AI 應用在深度嵌入式系統中的廣泛應用奠定了基礎。

將生成式 AI 引入嵌入式設備

開發者需要更加先進的工具來應對邊緣側 AI 的復雜性。Arm 通過推出 Ethos-U85，并支持基于 Transformer 的模型，致力于滿足這一需求。隨著邊緣側 AI 在嵌入式應用中的重要性日益增加，Ethos-U85 正在推動從語言模型到高級視覺任務等各種新用例的實現。

Ethos-U85 NPU 提供了創新前沿解決方案所需的卓越性能和出色能效。我們的演示顯示了將生成式 AI 引入嵌入式設備的重要進展，并凸顯了在 Arm 平臺上部署小語言模型便捷可行。

Arm 正為邊緣側 AI 在廣泛應用領域帶來新機遇，Ethos-U85 也因此成為推動新一代智能、低功耗設備發展的關鍵動力。