各种AI端云模型大爆发，路由的重要性开始凸显

　　飞象原创(魏德龄/文)路由是很多人所熟悉的词汇，最先想到的莫过于家中的路由器，它在网络层面，将数据拆分为一个个小小的“数据包”，以最经济的传输路径，把数据传给下一个节点。如今，“路由”一词又越来越多在人工智能领域被提及。

　　当然，此“路由”自然并非彼“路由”，但又有异曲同工之处。

　　 AI也需要路由

　　目前，在人工智能领域中，“路由”一词在被越来越多提及的同时，还在不同的讨论场景下，加上了相应的前缀，但总体原理上不尽相同，均在于面对不同需求，对于算力的智能分配。

　　“算力路由”在算力感知网络中用来支撑“最优路径+最佳算力”的分配逻辑，将业务流量动态调度至算力资源的最优节点。此前，IETF还正式成立了算力路由工作组，来推进在通信协议中，使用“路由”来对算力流量进行优化分配。

　　“模型路由”则在消费电子领域中，用来形容端侧与云端模型算力的智能切换。智能路由机制会将复杂的任务拆解为子任务，通过决策器判断该子任务是留在本地(端侧)执行以保护隐私并节省成本，还是脱敏后发往云端执行以利用更强大算力。

　　与此同时，现代负载均衡器已演变为“智能请求路由”系统，它们不再将请求视为可互换的单位，而是根据模型的复杂度、数据的本地性以及硬件的亲和性来导向流量。这种“路由”将不仅看脸结束，还会监控CPU、GPU使用率和队列深度，以实现多维度的资源优化。

　　节省资源，保护隐私

　　在各个节点的算力，以及位于不同位置的模型间，使用路由来进行调度的好处在于节约资源与将敏感数据留在本地。

　　一个最简单易懂的原理在于，有时用户请求大模型的问题，可能仅仅是一个百科查询的问题，或只是简单的调侃，甚至所谓的低幼问题。但这些请求与复杂的研究与生成内容，一样传送至了高参数量的模型中运行，几乎可以说是对算力资源的一种浪费。

　　以英特尔在智能体PC中采用的路由机制为例，可以通过固定规则或AI模型判断该子任务的复杂度。如果子任务与本地AI能力的匹配度高，则被判定为“简单任务”，路由至本地小参数量模型执行。若本地无法胜任，则路由至云端API。

　　该功能还能同时提供保护敏感数据的能力，例如目前很多公司在内部，均开始限制公司资料上传至云端AI的权限，甚至使用专用的浏览器，来对数据进行水印添加、拦截上传等操作。而通过路由机制，可以进行隐私脱敏处理，在调度过程中，所有必须发往云端的数据都会先在本地进行脱敏处理，保护敏感信息。同时，路由并不盲目信任端侧结果。在端侧执行完成后，系统会进行质量校验。若结果不达标，会将其脱敏后重新提交至云端执行，并最终完成结果拼装。

　　路由机制也具备与AI一样的学习能力，能从过往的调度错误中积累经验，不断优化子任务的切割方式和分类器的准确度，使其越来越贴合用户习惯。

　　这种路由原理，在更广的终端范围内同样适用，例如在智能手表、XR眼镜、手机、边缘算力与云端，路由机制在未来同样可以完成对于任务复杂度的调度。如调整设置、快速检索、优化照片这样的简单任务可以由本地2B小模型处理。而当可穿戴设备侧算力不足时，调度平台会将任务分流到与其连接的手机、PC或专用计算单元，通过7B-10B参数的模型进行处理，而针对极其复杂的重负载任务或需要海量数据（603138）支撑的请求，系统会通过调制解调器将任务发送至云端处理。

　　不过，对于个人用户的隐私保护而言，一旦涉及设备迁移，个性化数据则需要经过加密处理的云端服务来完成，以便用户购买新设备时，这些模型和数据会从云端无缝流转回新的端侧设备，避免了重新训练和磨合的周期。

　　以往在家庭网络中被人熟悉的路由概念，如今正准备开始指挥一场关于算力的交通。而在对不同任务需求再拆分再分配的背后，用户端不仅将保持无感的体验，还将获得时延更低的反馈，以及更好的数据保护，甚至是深度用户对于Token费用的节省。