移動(dòng)端的深度學(xué)習(xí)正在風(fēng)起云涌，從去年NIPS的研討會(huì)到今年高通、華為的芯片帶來(lái)的強(qiáng)大智能能力，無(wú)一不在應(yīng)驗(yàn)著這一趨勢(shì)。

目前為止人工智能的進(jìn)步主要來(lái)自海量的數(shù)據(jù)資源和日漸增長(zhǎng)的強(qiáng)大計(jì)算能力。典型的機(jī)器學(xué)習(xí)通常被構(gòu)建在單一的數(shù)據(jù)中心上，可以接入全球的數(shù)據(jù)集和海量的存儲(chǔ)與計(jì)算能力。目前很多深度學(xué)習(xí)算法都運(yùn)行在云端，通過(guò)Caffe、tensorflow等計(jì)算框架搭建模型，并利用GPU, TPU等計(jì)算硬件驅(qū)動(dòng)。這種方式構(gòu)成了目前深度學(xué)習(xí)實(shí)現(xiàn)方式的主流方案。

但這種方式對(duì)于要求低延時(shí)、計(jì)算量功耗有限的應(yīng)用時(shí)，就會(huì)出現(xiàn)各種各樣的問(wèn)題。例如在空中飛行的無(wú)人機(jī)、控制無(wú)人駕駛車(chē)輛、手術(shù)機(jī)器人等。為了完成一系列精細(xì)的任務(wù)、未來(lái)的無(wú)線(xiàn)通信系統(tǒng)需要在網(wǎng)絡(luò)的邊緣（靠近設(shè)備端）進(jìn)行更多的決策，甚至當(dāng)通信鏈路中斷時(shí)能夠保證系統(tǒng)更加可靠、更加迅速的響應(yīng)。

這一趨勢(shì)帶來(lái)了去中心化機(jī)器學(xué)習(xí)的迅速發(fā)展，這種新的機(jī)制可以將訓(xùn)練數(shù)據(jù)存儲(chǔ)在很多的節(jié)點(diǎn)中，并協(xié)同工作來(lái)為問(wèn)題找到合適的解決方案。設(shè)備端的機(jī)器學(xué)習(xí)與此類(lèi)似，它的本質(zhì)是利用去中心化的方式訓(xùn)練出一個(gè)高可靠性的中心化模型。訓(xùn)練數(shù)據(jù)在每一個(gè)節(jié)點(diǎn)上分布很不均勻，同時(shí)每個(gè)節(jié)點(diǎn)只有包含整個(gè)數(shù)據(jù)的一小部分。

這樣的方式有很多優(yōu)點(diǎn)：和基于云的人工智能相比，設(shè)備端的AI可以保護(hù)隱私，因?yàn)閭€(gè)性化的訓(xùn)練在本地完成訓(xùn)練數(shù)據(jù)無(wú)需上傳至云端。同時(shí)訓(xùn)練也在本地完成、并且通過(guò)無(wú)線(xiàn)或者云的方式來(lái)對(duì)節(jié)點(diǎn)進(jìn)行匯總、共享訓(xùn)練的結(jié)果。這意味著所有的設(shè)備都可以接入相同的全局模型。

但目前設(shè)備端機(jī)器學(xué)習(xí)的大規(guī)模應(yīng)用在工程和學(xué)術(shù)上還面臨著一系列挑戰(zhàn)。為了保證隱私的安全，研究人員們需要研究差分隱私技術(shù)來(lái)保證數(shù)據(jù)安全；當(dāng)訓(xùn)練數(shù)據(jù)稀疏時(shí)，還需要利用聯(lián)合學(xué)習(xí)和遷移學(xué)習(xí)來(lái)實(shí)現(xiàn)設(shè)備端的智能化。我們無(wú)需從零開(kāi)始訓(xùn)練模型，而是利用豐富的源數(shù)據(jù)訓(xùn)練好模型后，將學(xué)習(xí)到的知識(shí)遷移到目標(biāo)領(lǐng)域；除此之外，由于設(shè)備端的計(jì)算、能耗資源有限，適用的機(jī)器學(xué)習(xí)模型必須經(jīng)過(guò)有效的優(yōu)化才能夠準(zhǔn)確高效的運(yùn)行（比如取出一些層及層中的神經(jīng)元等），同時(shí)也需要對(duì)于計(jì)算精度、能耗做出有效的權(quán)衡。

由于計(jì)算資源的有限，算法需要同時(shí)在本地和云端運(yùn)行。這樣可以保證對(duì)于個(gè)性化的設(shè)備端AI和云端的集成AI都有很好的控制，并使得設(shè)備可以依靠云端強(qiáng)大的存儲(chǔ)和計(jì)算能力來(lái)獲取更快更好的表現(xiàn)。

這一本地和遠(yuǎn)程計(jì)算的問(wèn)題被稱(chēng)為任務(wù)卸載，這意味著一個(gè)任務(wù)可以同時(shí)在本地設(shè)備上運(yùn)行、或者遠(yuǎn)程的在網(wǎng)絡(luò)上運(yùn)行，或者在兩者上同時(shí)運(yùn)行。為了尋找最優(yōu)的策略，需要綜合考量應(yīng)用需求、神經(jīng)網(wǎng)絡(luò)模型、功耗、網(wǎng)絡(luò)吞吐量等一系列問(wèn)題，而這些依然是工程師們孜孜不倦在研究和解決的問(wèn)題。

另一個(gè)重要的挑戰(zhàn)是使得設(shè)備端的AI與系統(tǒng)設(shè)計(jì)相匹配。典型的機(jī)器學(xué)習(xí)是中心化的應(yīng)用，一般會(huì)為每一個(gè)主體最大化平均效果，但在設(shè)備端的AI卻由于有限的訓(xùn)練數(shù)據(jù)更傾向于不確定性和隨機(jī)性，同時(shí)還受到設(shè)備間不可靠連接的影響，當(dāng)設(shè)備將任務(wù)遷移到云或者其他設(shè)備時(shí)通信延時(shí)也是一個(gè)重要的影響。這意味著設(shè)備端的AI 需要知道如何在非常不同的場(chǎng)景對(duì)預(yù)測(cè)進(jìn)行針對(duì)性的處理，而不是像中心化機(jī)器學(xué)習(xí)一樣將所有主體合成整體作平均考慮。

對(duì)于這樣的設(shè)備端AI來(lái)說(shuō)，超可靠-低延時(shí)的通信是系統(tǒng)得以順利工作的保證，這也是目前5G的關(guān)鍵技術(shù)之一。隨著5G時(shí)代的到來(lái)，人工智能將被應(yīng)用到自動(dòng)化網(wǎng)絡(luò)中去，深刻的改變下一代無(wú)線(xiàn)系統(tǒng)。

目前設(shè)備端的AI正處于研究發(fā)展的初期，需要走出一條與基于云的中心化AI不同的道路。它們向著網(wǎng)絡(luò)邊緣計(jì)算和通信的方向邁進(jìn)，通過(guò)互相分享各自的模型（而不是隱私數(shù)據(jù)）來(lái)建立起一個(gè)中心化的全局模型，綜合考慮了延時(shí)、可靠性、隱私、功耗和精度。這樣的學(xué)習(xí)方式將會(huì)在不久的將來(lái)改變?cè)O(shè)備生產(chǎn)和編程的方式，并為世界帶來(lái)我們不曾見(jiàn)過(guò)的全新能力。