高通推出统一AI软件栈产品组合 打造跨终端赋能“武器库”

集微网报道（文/张轶群）一次开发随处运行一直是开发者的梦想，伴随着高通统一技术路线图的部署，多元化业务演进以及市场及客户对于AI的强烈需求，今日，高通宣布推出统一AI软件栈产品组合，面向OEM厂商和开发者提供完整的AI解决方案，也借此进一步提升在AI和智能网联边缘领域的领先优势。

“高通AI软件栈集合了公司业界领先的AI软件产品并进行了升级，通过丰富的AI软件权限和兼容性能够支持各种智能终端。这是首次，通过单一的AI软件组合，实现跨高通技术公司赋能终端的运行，覆盖广泛的智能网联边缘产品，包括智能手机、汽车、XR、计算、物联网和云平台。”高通技术公司产品管理副总裁 Ziad Asghar在接受集微网采访时表示。

完整解决方案加速AI开发进度

简要而言，高通AI软件栈包括三大关键组成部分：硬件、软件和工具。

在硬件方面，高通能够提供极高的AI硬件性能。这点从去年年底推出的全新一代骁龙8就可见一斑，在硬件和软件的共同加持下，其峰值性能比前代提升高达4倍。同时，高通在面向客户和开发者提供的AI工具方面也积累了诸多优势。不同基准测试数据显示，高通公司的AI技术和产品不仅仅在峰值性能上保持领先，在单位功耗的峰值性能上也表现出色，这意味着我们能够在相同的功耗条件下进行更多的AI处理。

在软件方面，高通AI软件栈提供了包括TensorFlow、PyTorch和ONNX在内的不同AI框架与主流runtimes，以及开发者库与服务、系统软件和编译器的支持，从而使任何面向单一终端开发的AI特性都可在其他终端上轻松部署。

在工具方面，高通AI软件栈提供一整套由研发团队开发的完整开发工具，包括高通AI模型增效工具包（AIMET）、AI开发图形用户界面（GUI）、用于增强量化与优化的模型分析器以及神经网络架构搜索（NAS）等，便于搭建体积更小、能效更高的模型，从而在硬件端进行部署时达到更好的表现，同时保障低时延和高精度AI计算，同时确保低内存和高能效。

高通AI软件栈为建立统一SDK打下了坚实基础。高通AI软件栈可以支持诸多的SDK，比如面向汽车ADAS解决方案的Snapdragon Ride SDK，面向物联网的高通智能多媒体SDK，以及近期发布的Snapdragon Spaces XR开发者平台，而Snapdragon Spaces能够将高通在AI方面打造的基础提供给AR开发者，从而基于高通AI软件栈打造创新应用场景。

“基于最底层的高通AI软件栈，我们可以打造不同类型的SDK，这对于我们自身和开发者以及OEM厂商来讲大有益处，能帮助他们将之前投入的模型开发工作以及创新技术，轻松拓展至全新领域。比如，目前我们的客户在智能手机领域的一些开发成果，就可以轻松部署到骁龙计算平台支持的PC上，无须重新开发，大大加速AI开发的进度。”Ziad Asghar说。

据Ziad Asghar介绍，与其他公司所提供的软件栈往往只针对于某个特定的行业领域不同，高通AI软件栈能够提供跨智能网联终端的最为完整的解决方案。这几乎是业界面向智能网联边缘终端最为完整的AI软件栈产品，让合作伙伴能够轻松将其AI模型从一条产品线拓展至其他产品线。开发者可以将他们的工作重点放在探索创新的AI用例，而不必将精力用在模型的重复开发上。

巩固智能网联边缘领先优势

高通此次推出AI软件栈，既是自身发展的需要，也是为了应对日益真多的客户需求。

一方面，如今的高通正在实现多元化的业务布局，由移动领域向其他更广泛的领域进军，就AI而言，迫切需要寻找一种简便的方式能够面向所有业务部门和产品线实现AI扩展和普及。

这也是高通正在积极部署统一的技术路线图的应有之义，即在一个业务部门或产品线上的相关投入进行调整，将应用于不同业务部门的IP进行整合，将在某一产品线或者业务部门所取得的领先优势，也将应用在其他领域。

另一方面，将一个产品上的开发成果应用到其他产品线上也一直是高通客户的一大主要需求。高通也希望打造出一款产品，让客户能够充分利用高通在不同产品线上的丰富技术优势，包括智能手机、可穿戴设备、XR、汽车、PC等等。

“我们最为关键的差异化优势就是公司广泛的业务布局，包括PC、智能手机、汽车、XR和物联网等，具有能够支持客户将其在一个业务线的投入和相关工作轻松扩展至不同领域的强大优势，这是其他企业所不具备的。”Ziad Asghar说。

但在面向不同业务部门和产品线进行扩展时，也面临着诸多的挑战。就AI而言，智能手机相比物联网或者汽车业务领域存在诸多差异，比如不同场景下的功耗需求分析、模型类型、模型部署方式都是不同的，同时不同业务对于准确性、功耗以及时延等方面的平衡要求也各不相同。

Ziad Asghar表示，从硬件的角度，高通要确保打造一个开发者硬件，能够将一个技术领域的IP进行跨平台、跨领域的扩展。与此同时，不同业务领域所使用的AI模型和神经网络模型也不同。比如，XR应用所需的手势追踪、眼球追踪和3D重建AI模型与在汽车领域所需的激光雷达AI模型大有不同，他们对于精准度的要求和其带来的影响有着很大区别。

“现在，我们能够把所有的相关技术整合在一起。我们的模型无论是用于音频设备、可穿戴设备还是用于云端，都可以实现跨平台和跨产品线的自由迁移，这将充分发挥我们一贯的跨品类优势。目前，在智能网联边缘领域，我们能够提供其他竞品所无法比拟的领先优势。”Ziad Asghar告诉集微网。

（校对/Andrew）