量子化（Quantization）

ニューラルネットワークモデルのパラメータを32ビット浮動小数点数から8ビット整数などの低精度表現に変換する最適化技術。モデルサイズの削減、推論速度の向上、消費電力の低減を実現する。精度の低下を抑えつつ組込みデバイスへの実装を可能にする。

ニューラルネットワークの重みや計算に使う数値を、32ビットや16ビットの浮動小数点数から8ビットや4ビットの整数などの低いビット数の表現に変換して、モデルを軽量化する手法。メモリ使用量と計算量が減り、推論の高速化やスマートフォン・エッジ機器での実行が可能になる。学習後に変換するPTQと、量子化を前提に学習するQATがあり、ビット数を下げすぎると精度が落ちる。

モデルの軽量化の手法の一つで、ニューラルネットワークの中で推論への寄与が小さい重みやノード、層などを取り除くこと。パラメータ数と計算量を減らして、推論の高速化やメモリ使用量の削減を図る。取り除いた後に再学習して精度の低下を抑えることが多い。

大規模言語モデルに比べてパラメータ数を数億から数十億程度に抑えた言語モデル。蒸留や良質なデータの選別で性能を高めており、特定の業務や課題に絞ればLLMに近い精度を出せる。少ない計算資源で動き、応答が速く費用も低いので、スマートフォンや社内のサーバ（オンプレミス）で動かして、機密情報を外部に出さずに使う用途に向く。

AIの推論処理を、クラウドではなくカメラ、スマートフォン、産業機器などの端末側やその近くで実行する方式。応答が速く、通信が途切れても動作でき、映像などの生データを外部に送らずに済む。端末の計算資源が限られるため、モデルの軽量化やNPUなどの専用チップが用いられる。

ニューラルネットワークの推論に必要な行列演算や積和演算を、低消費電力で高速に実行するよう設計されたプロセッサ。スマートフォンやパソコンのSoCに組み込まれることが多く、画像認識や音声処理、生成AIなどを端末側で実行するエッジAIを支える。

カメラ映像の処理や画像認識などのコンピュータビジョンの処理を、低消費電力で実行するよう特化したプロセッサ。監視カメラ、ドローン、ロボットなどの機器に組み込まれ、映像をクラウドに送らずに端末側で物体検出などの推論を行うエッジAIに使われる。

モデルの軽量化の手法の一つで、大規模で高性能なモデル（教師モデル）の出力を正解の代わりに使って、小規模なモデル（生徒モデル）を学習させること。知識蒸留ともいう。教師モデルが持つ判断の傾向を引き継がせることで、小さなモデルでも元に近い性能を得られる。