蘋果、高通和華為已經(jīng)制造了一種移動芯片，而這些芯片的設計目的是提供機器學習一個更好的平臺，而不同公司設計這種芯片都采用了略微不同的方式。華為在今年的IFA上發(fā)布了Kirin 970，他們稱其為先進款帶有專用神經(jīng)單元處理器（NPU）的芯片組。然后，蘋果發(fā)布了A11仿生智能芯片，該芯片為iPhone8、8Plus和x提供引擎動力。A11仿生芯片的特點是，它的神經(jīng)引擎處理器是專門為機器學習而設計的。
高通在上周發(fā)布了驍龍845，該芯片能夠?qū)⑷斯ぶ悄苋蝿瞻l(fā)送至最合適處理器的核心系統(tǒng)。這三家公司的設計方法并沒有太大的區(qū)別——最終歸結為每種芯片向開發(fā)者提供的訪問權限，以及每一種設置所消耗的電量。
在討論這個問題之前，我們先來弄清楚一個人工智能芯片跟現(xiàn)有的cpu有怎樣的不同。在業(yè)界，你會經(jīng)常聽到叫“異構計算”的有關人工智能的術語。它指的是使用多種處理器的系統(tǒng)，并且每一種處理器都有專門的功能，以獲得更高的性能及節(jié)省能源。這個術語并不新鮮，而且許多現(xiàn)有的芯片組都使用了它——例如這三款新產(chǎn)品在不同程度上采用了這個概念。
過去三年來，智能手機的cpu使用了ARM的big.LITTLE架構，它能夠?qū)⑾鄬^慢的節(jié)能核心與速度更快、能耗更低的核心結合起來。我們的主要目標是讓這款芯片盡可能少占用電能，以獲得更好的電池續(xù)航時間。首批采用這種架構的手機包括三星Galaxy S4，它只入了其公司自主生產(chǎn)的Exynos5芯片，以及華為的Mate8和榮譽6。
今年的“人工智能芯片”讓這一概念更進一步，它通過添加一個新的專用組件來執(zhí)行機器學習任務，或者可以使用其他低功耗內(nèi)核來執(zhí)行機器學習任務。例如，驍龍845可以利用它的數(shù)字信號處理器（DSP）來處理需要大量重復計算的長時間運行的任務，比如在一段長對話里通過分析找到一個用戶需要的熱詞。高通的產(chǎn)品管理總監(jiān)加里布洛特曼告訴Engadget，在另一方面，像圖像識別這樣的需求可以通過GPU更好地管理，布羅特曼專門負責為驍龍智能平臺開發(fā)人工智能和機器學習技術。
與此同時，蘋果的A11仿生學應用在其GPU上添加了一個神經(jīng)引擎，以加速人臉識別、動話表情反饋和一些第三方應用的使用。這意味著，當你在iPhoneX上啟動這些進程時，A11會打開神經(jīng)引擎進行計算來驗證用戶的身份，或者把你的面部表情倒入到“會說話的便便”這款應用中。
在Kirin 970芯片中，NPU會處理一些任務，比如掃描和利用微軟翻譯來翻譯圖片里的文字。這是迄今為止唯一針對這款芯片進行優(yōu)化的第三方應用。華為表示，其“HiAI”異構計算結構將其芯片組的大部分組件的性能最大化，因此它可能會將人工智能任務分配給更多，而不僅僅是NPU。
拋開這些差異不說，這種新的架構意味著過去只能在云端處理機器學習計算，現(xiàn)在可以在設備本體上更高效地運行。通過使用非CPU的部分來運行人工智能任務，用戶的手機可以在同一時間處理更多的事情，這樣你在等待應用為你翻譯或例如尋找寵物狗的圖片時就不會遇到延遲的煩惱。
此外，在手機上運行這些程序不用將用戶的使用數(shù)據(jù)發(fā)送到云端，這對用戶隱私也有了更強的保護，因為這樣可以減少黑客獲取數(shù)據(jù)的機會。
這些人工智能芯片的另一大優(yōu)勢是節(jié)約能源。因為有些工作是重復的，我們手機電池消耗量需要針對這些重復的進程進行更合理地分配。GPU往往會吸收更多的能量，所以如果取而代之的是更節(jié)能的DSP，并且它可以實現(xiàn)與GPU類似的效果，那么較好是選擇后者。
需要明確的是，在決定執(zhí)行某些任務時，芯片本身并不決定使用哪個核心系統(tǒng)作為驅(qū)動。“在今天，開發(fā)者們和oem廠商都想要運行人工智能芯片，”Brotman說。程序員可以使用像Google的TensorFlow這樣的支持數(shù)據(jù)庫（或者更確切地說是它的Lite移動版本）來選擇運行他們的模型的核心。高通、華為和蘋果都采用了TensorFlow Lite和Facebook的Caffe2等最受歡迎的選項作為他們設計的支持程序。高通也支持新的開放神經(jīng)網(wǎng)絡交換（ONNX）系統(tǒng)，而蘋果則通過其核心的ML框架為更多機器學習模式添加了兼容性。
目前為止，這些芯片都沒有在現(xiàn)實世界中帶來明顯的影響。芯片制造商們將會吹捧他們自己的測試結果和基準，但這些測試結果直到人工智能程序成為我們?nèi)粘Ｉ钪兄匾囊徊糠种岸己翢o意義。因為我們正處于讓設備進行機器學習的發(fā)展早期階段，并且使用新硬件的開發(fā)者少之又少。
不過現(xiàn)在很明顯的是，競爭已經(jīng)開始了，競爭者們著重研究如何讓機器學習相關的任務在用戶設備上運行地更快、更省電。我們只需要等待一段時間，就能看到從傳統(tǒng)芯片到人工智能芯片的轉(zhuǎn)變帶給我們生活上的幫助。
