孔祥重揭露分散式AI新趨勢，預言AI模組未來能用區塊鏈交易

長年鑽研AI的中研院院士暨哈佛大學電腦科學與電子工程教授孔祥重日前出席Galaxy Summit 2022指出，AI將繼續朝分散式方向發展，目前除了分散式聯合學習（Federated learning）方法，和分散式的GPU算力網路來協助訓練超大AI模型外，他與哈佛實驗室團隊也提出不少創新嘗試，比如利用Early Exit方法，讓AI預測時，不必每層類神經網路都得運算，來降低延遲，又或是將AI模型模組化，來提高重複使用率。甚至，他認為，AI模型中的模組，未來也會放置於區塊鏈上來交易。

AI資訊洪流中找角度，將AI視為分散式系統

孔祥重回顧目前AI發展，光是2019年，就產出12萬篇同儕評閱過的AI論文。數量之多，一般人就算只閱讀其中的5%，1天就要看上16篇。為了跟上AI進展、不在資訊洪流中迷失，孔祥重說：「我們必須找出角度，」而他的角度，就是分散式系統。

這個分散式系統，可分為幾個層面。以運算來說，分散式運算是AI系統擴展的主流做法，比如分散式資料庫交易、雲端運算，或是單純的雲端文件編輯，可由不同位置的使用者更改，這些都是分散式運算實踐。作為主流運算典範的AI系統，也勢必會朝分散式系統繼續發展。

分散式AI系統：分散式運算網路、聯合學習方法

AI圈目前也有不少分散式做法，比如最常見的分散式運算網路，透過連結各處的GPU來提供算力，訓練超大型AI模型。另一種分散式做法則是聯合學習，透過集結不同參與者、共享模型而非共享資料，集眾人之力來訓練一套AI模型。

聯合學習不只能用於不同參與者，也可用於大量的分散式裝置訓練，比如，Google就用來優化數以萬計Android手機的Gboard鍵盤選字推薦模型。

然而，孔祥重點出，分散式AI系統仍有些挑戰待克服，像是用於模型訓練和推論的算力應再減少、推論的延遲性應該降低，而且，如何適當處理不同參與者的資料分佈（Non-IID），也是聯合學習中常見的挑戰。

此外，「模型如何分享、再利用，也是一大課題，」孔祥重點出，模型的再利用應該要更容易，才能讓分散式AI更有效率，而非各自閉門造車。

哈佛實驗室最新研究：模型模組化、利用區塊鏈交易AI模組

針對這些挑戰，孔祥重也帶領哈佛實驗室團隊，做了不少嘗試。比如，他們研究專用ASIC加速晶片，也研究Early Exit方法（如下圖），讓類神經網路運算時，不必每一層都執行，就能提早給出預測結果，來降低延遲。舉例來說，在手寫數字辨識上，0非常好辨認，這類簡單的輸入值，不需執行所有類神經網路層運算，就能得出答案。

不只如此，他們也研究頭戴式裝置的分散式AI運算（如下圖），比如讓裝置上每個鏡頭，能自行進行簡單的運算，較複雜的綜合運算，則交由裝置後方的晶片來運算。而運算資源，也可分為雲端、邊緣端和本地端來進行運算。「比較難的是運算資源的切法，」他補充。

今年，他們更嘗試打造模組化的類神經網路StitchNet，將預訓練過的模型元件組裝起來，成為一個可行的模型，不需大量資料、也不必再多做訓練，就能執行任務。

最後，他還點出，AI模型中的模組，還能放到區塊鏈上。2019年時，他與實驗室團隊發表一篇論文，說明如何用分散式的AI模型網路DaiMoN，來證明模型準確率，以及經同儕評閱、模型改進的準確率。而最近，孔祥重與實驗室團隊就在研究，不僅要將AI模組放到區塊鏈上，讓AI模組更容易重新利用，能組裝成大小不一的模型外，還能拿來交易。

這就好比，數位內容以NFT形式在區塊鏈上販售。「讓AI模組在區塊鏈上進行商業交易，現在說來雖然有點遠，但遲早會走到這一步，」孔祥重說。