目前，绝大多数大模型运行在云端服务器，终端设备通过调用api的方式获得回复。但这种方式有几个缺点：首先，云api要求设备始终在线，这对于部分需要在无互联网接入的情况运行的设备很不友好；其次，云api的调用需要消耗流量费，用户可能不想支付这部分费用；最后，如果几年后，项目组被关停，API接口被关闭，那么用户花大价钱购买的智能硬件将成为一块砖头。所以，我坚信，最终的用户硬件应该能够完全离线运行，无需额外成本或使用在线 API。（用户可以选择是否使用在线api，但离线服务是必需的）
在本文中，我将展示如何在 Raspberry Pi 上运行 LLaMA-2 GPT 模型和自动语音识别 (ASR)。这使得我们能够向 Raspberry Pi 提出问题并获得答案，所有这一切都将完全离线进行。
本文中提供的代码在 Raspberry Pi 上运行。但也适用于 Windows、OSX 或 Linux 笔记本电脑。因此，那些没有 Raspberry Pi 的读者可以轻松测试代码。
硬件
Raspberry Pi 4，它是一台运行Linux的单板计算机；它体积小，仅需要 5V 直流电源，无需风扇和主动冷却：
对于RAM大小，我们有两种选择：
有 8 GB RAM 的 Raspberry Pi 允许我们运行7B LLaMA-2 GPT[1]模型，其在 4 位量化模式下的内存占用约为 5 GB。
有2 或 4 GB RAM的设备允许我们运行像TinyLlama-1B[2]这样的较小模型。这个模型也更快，但正如我们稍后将看到的，它的答案可能有点不那么“聪明”。
这两种模型都可以从 HuggingFace 下载，一般来说，几乎不需要更改代码。
Raspberry Pi 是一台成熟的 Linux 计算机，我们可以通过 SSH 轻松地在终端中看到输出。但它不够有趣，也不适合像机器人这样的移动终端设备。对于 Raspberry Pi，我将使用单色128x64 I2C OLED 显示屏。该显示器仅需要 4 根线即可连接：
显示器可以在淘宝上以十几元的价格购买；无需焊接，在 Raspberry Pi 设置中启用 I2C 接口即可；关于这一点有足够的教程。为了简单起见，我将在这里省略硬件部分，只关注 Python 代码。
显示
我将从显示器开始，因为在测试过程中最好在屏幕上看到一些东西。Adafruit_CircuitPython_SSD1306库允许我们在 OLED 显示屏上显示任何图像。该库有一个低级接口；它只能从内存缓冲区中绘制像素或单色位图。为了使用可滚动文本，我创建了一个存储文本缓冲区的数组和一个_display_update绘制文本的方法：
这里，一个(22, 5)变量包含我们可以显示的行数和列数。如果发生这种情况，变量oled也可以是 None ImportError；例如，如果我们在笔记本电脑而不是 Raspberry Pi 上运行此代码。为了模拟文本滚动，我还创建了两个辅助方法：
第一种方法是在显示中添加新行；如果字符串太长，该方法会自动将其分成几行。第二种方法是添加不带“回车符”的文本标记；我将使用它来显示 GPT 模型的答案。调用add_display_line方法：
如果一切运行正常，树莓派会重复打印当前时间：
自动语音识别（ASR）
对于 ASR，我将使用HuggingFace的Transformers[3]库，调用它，通过几行 Python 代码实现语音识别：
这里，我使用了Whisper-tiny-en[4]模型，该模型经过 68 万小时的语音数据训练。这是最小的 Whisper 型号；它的文件大小为 151MB。当模型加载后，我们可以使用该ffmpeg_microphone_live方法从麦克风获取数据：
Raspberry Pi 没有麦克风，但任何 USB 麦克风都可以完成这项工作。该代码也可以在笔记本电脑上测试；在笔记本上，将使用内置麦克风。
大语言模型
现在，让我们添加大语言模型。首先，我们需要安装所需的库：
在使用LLM之前，我们需要下载它。正如之前所讨论的，我们有两种选择。对于 8GB Raspberry Pi，我们可以使用 7B 型号。对于 2GB 设备，1B的tiny LLM是唯一可行的选择；较大的模型无法载入RAM。要下载模型，我们可以使用该huggingface-cli工具：
我使用了 Llama-2–7b-Chat-GGUF和 TinyLlama-1–1B-Chat-v1-0-GGUF模型。较小的模型运行速度更快，但较大的模型可能会提供更好的结果。
下载模型后，我们可以使用它：
使用该模型很简单，但接下来：我们需要在 OLED 屏幕上流式地显示答案。为此，我将使用自定义回调，每当 LLM 生成新令牌时都会执行该回调：
测试
最后，组合所有部分。代码很简单：
这里，Raspberry Pi 在 5 秒内录制音频，然后语音识别模型将音频转换为文本；最后，将识别出的文本发送给LLM。结束后，重复该过程。这种方法可以改进，例如，通过使用自动音频电平阈值，但对于一个weekend demo来说，它已经足够好了。
在树莓派上运行成功后
，输出如下所示：
在这里，我们可以看到 Raspberry Pi 4 上的 1B LLM 推理速度。Raspberry Pi 5 应该快 30-40%。
我没有使用任何基准（例如 BLEU 或 ROUGE）来比较 1B 和 7B 型号的质量。主观上，7B 模型提供了更正确、信息更丰富的答案，但它也需要更多 RAM、更多加载时间（文件大小分别为 4.6 和 0.7GB），并且运行速度慢 3-5 倍。至于功耗，Raspberry Pi 4 在运行模型、连接 OLED 屏幕和 USB 麦克风的情况下平均需要 3-5W。
结论
在本文中，我们在树莓派上运行了语音识别和大语言模型，使得树莓派能够理解我们的语音并做出回复。这样的demo也是边缘端GPT模型的一个有趣的里程碑：GPT正在进入智能设备时代，这些设备将能够理解人类语音、响应文本命令或执行不同的操作。
从视频中我们可以看到，LLM的回复速度还是有点慢。但根据摩尔定律， 5-10 年后，相同的模型将轻松运行在 1 美元的芯片上，就像现在我们可以运行成熟的 PDP-11 模拟器（PDP在80年代的时候价值10 万美元）在 5 美元的 ESP32 板上。
参考资料
[1]7B LLaMA-2 GPT: https://huggingface.co/TheBloke/Llama-2-7B-Chat-GGUF
[2]TinyLlama-1B: https://huggingface.co/TheBloke/TinyLlama-1.1B-Chat-v1.0-GGUF
[3]Transformers: https://huggingface.co/docs/transformers/main_classes/pipelines
[4]Whisper-tiny-en: https://huggingface.co/openai/whisper-tiny.en