当人工智能走向软硬结合

栏目主持人：於兴中

文 | 朱悦

责任编辑 | 尹丽

首先，有必要介绍“软硬结合”的技术原理。当前热门的人工智能主要是通过大型神经网络模型来实现。训练大型神经网络模型，需要进行大量重复的计算工作。所谓“专业的人做专业的事”，专业的芯片也可以进行专门的计算。因此，我们一方面可以通过改进神经网络模型，尽可能把重复的计算拆分出来、彼此融合，另一方面要开发出架构和功能高度专业化的芯片，以承接这些计算工作。软硬如此结合，计算方能大大加速。

“软硬结合”能够支持许多不同的人工智能。以下列举两个正在发生的例子。

一是按照语言指令生成指定画面的扩散模型。近来备受关注的“AI画画”背后通常都是扩散模型。之前，训练扩散模型需要专业显卡或者云的算力，现在，这一目的已经可以通过家用显卡或者手机端的专业芯片来实现。这也使得每个人都能够用得起“AI画画”类的应用。

二是更加热门的GPT（生成预训练转换器）文本生成模型。今年2月，这一模型同样改进到了接近扩散模型的程度。

“软硬结合”的加速在日常生活中已有许多应用。最常见的例子就是手机。许多厂商宣称手机内置的“神经引擎”，实际上就是“软硬结合”的专用芯片。每一次拍照、每一次录像、每一次翻译，背后都有专用芯片在发挥作用。人工智能越发展，“AI画画”或者文本生成的爆款越多样，这些芯片的潜力就越大。2022年年底时的手机芯片已经能够部署扩散模型，手机芯片行业部署GPT也已是“海平面上的桅杆”了。

“软硬结合”的人工智能可以通过两种方式加强个人信息的保护。一方面，既然人工智能的运算可以全部放到手机等个人设备来运行，涉及的个人信息就没有必要上传。或者说，这实现了个人信息的端侧处理。端侧处理的保护效果正在越来越多地得到制度的认可。另一方面，由于算力等因素的制约，很多保护效果很好的隐私计算技术长期难以投入实用，通过专用芯片的优化，这些技术得以投入实用。

先看端侧处理。制度对于端侧处理的认可主要是三个角度。一是在美国等法域，端侧处理不上传个人信息，也就意味着没有收集个人信息，可以豁免许多义务。二是在欧盟等法域，端侧处理可能允许用户出于个人事务处理其信息，同样豁免许多义务。三是应用商店“守门人”对端侧处理通常也很“宽容”。不过，享受这些优遇的条件是端侧处理要彻底，不能以安全、运维、升级为名暗中上传。

再看隐私计算。制约隐私计算应用的因素主要有两个。一是为了正确实施技术、避免漏洞影响效果，需要具备可信的环境。二是实施技术的过程常常需要进行复杂度较高的加密解密运算，需要足够的算力。在手机等日常设备上，这些条件长期得不到满足，技术也就很难实用。

专用芯片内置可信环境组件，通过软硬协同提供高效算力，克服了上述两种制约。手机解锁和验证过程中用到的人脸识别技术，由此用上了基于可信环境和安全加密的隐私计算技术。

“软硬结合”的人工智能也会通过两种方式造成新型的个人信息侵害风险。一方面，用来开展人工智能运算的芯片不仅可以用于持续追踪个体，还可以补充既有的其他追踪手段。对于这样的追踪造成的隐私风险，人们目前只有初步的了解。另一方面，“软硬结合”的人工智能让每个人都能使用扩散模型和GPT模型，每个人为善的潜力空前增强，作恶的能力——例如，深度伪造的能力——也在增强。因此，更加需要预见和防范人工智能帮助为恶的可能性。

先看持续追踪。现实中每个硬件的特征都有差别，既可能有唯一的编号，又可能因为生产过程的差异造成独有的特征。从手机设备号到SIM卡卡号，从网卡地址号到显卡的“指纹”，这些特征都已经用于追踪个体。“软硬结合”中的芯片也不例外。为了安全、质量控制以及其他目的，同样可以为这些芯片设定其独有的“指纹”。由此既可以单独地识别使用人工智能的个体，又可以补强其他识别的手段。

再看帮助为恶。“AI画画”既是文娱创作的生产力，也可能是侵扰安宁的深度伪造者。文本生成既是搜索引擎的变革，又可能在训练和使用过程中滥用或泄露个人信息。先前，使用这些人工智能有一定的门槛和成本，这对其为恶的一面也是一种限制。但现在，这些人工智能纷纷部署到人人皆有的日常设备，深度伪造和滥用、泄露个人信息也增加了许多潜在的风险。

从长远看，无论是应对何种风险，人工智能开发者的素养都很重要。“软硬结合”的人工智能在技术上更加复杂，对其进行外部监督相对困难。防范持续追踪的风险需要培养开发者的素养和意识，否则难以在软硬件中嵌入制度的保护。强大的人工智能因为“软硬结合”人人可用，人工智能的善治需要人人参与，防范协助为恶的风险需要培养每个人的素养和自觉，否则，难以遏制生活当中偶发或冲动的侵害。

（作者系北京科技创新中心研究基地研究员）