决定AI应用在智能手机上终端还是在云端运行，对于用户和开发AI应用的企业都十分重要，因为这与运行设备的长期电池寿命息息相关。大多数智能手机都或多或少地嵌入了AI应用，但如果所有的AI工具都在终端运行，有可能导致手机性能下降；而在云端运行，则可能导致较长的调用时间。
为了解决这一问题，近日Facebook和亚利桑那州立大学建立了一个支持AI减轻设备负荷的模型——AutoScale。该模型能够自动决策部署AI运行的位置，节省了大量成本，将AI工具的能效提高到基线方法的10．8倍；更能准确预测AI应用的合适位置，达到高性能和低能耗兼备的理想效果。
高能效＋低负荷
AutoScale：挖掘强化学习算法的潜能
AutoScale会观察当前的AI工作执行效率，包括算法的架构特征和运行时间差异。它在协同处理器等硬件之间选择，找到能够最大限度提高能源效率的硬件，以保证AI助手的服务质量。对选定硬件定义的目标执行推理后，通过观察其结果，包括演算运行能耗、延迟度和推理精度，以表明选中的硬件是否提高了AI工作效率。
AutoScale模型
AutoScale基于强化学习算法，计算累计奖励（R值），来选择AI工具的最佳运行方式。例如：对于给定的处理器，系统使用基于AI能效利用率的模型计算奖励，假设处理器内核消耗的功率是可变的，内核在繁忙和空闲状态下花费的处理时间不同，其能源使用情况也各不相同。相比之下，当推理扩展到连接的数据中心时，AutoScale可以借助基于信号强度的模型来计算奖励，预测传输延迟度和网络消耗的能量。
在适应QoS限制条约的前提下，比起基线模型，AutoScale更能提高能效。
12下一页>（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
