目前，高端智能手機CPU都有一個叫做“神經(jīng)處理單元”的處理架構(gòu)，但這真的會影響你嗎？

科技巨頭們已經(jīng)完全接受了人工智能革命。蘋果（Apple）、高通（Qualcomm）和華為（Huawei）生產(chǎn)的移動芯片，旨在更好地解決機器學習任務，每種芯片都采用了略有不同的方法。華為今年在IFA上推出了麒麟970，其被稱為第一個有專門的神經(jīng)處理單元（NPU）的芯片。接著，蘋果推出了A11仿生芯片，iPhone8、8Plus和X搭載的都是這款芯片。A11仿生特性就是蘋果所說的“專為機器學習而設計”的神經(jīng)引擎。

上周，高通宣布推出Snapdragon845，它將AI任務發(fā)送到最合適的內(nèi)核。這三家公司的做法并沒有太大的差別，最終歸結(jié)為每個公司向開發(fā)者提供的接入水平，以及每個設備的耗電量。

在討論之前，讓我們來看看AI芯片是否與現(xiàn)有的CPU完全不同。最近，在行業(yè)中，經(jīng)�？梢月牭降年P(guān)于人工智能的術(shù)語是“異構(gòu)計算”。它指的是使用多種類型的處理器的系統(tǒng)，每個處理器都有專門的功能，以獲得高性能或降低功耗。這個想法并不新穎，現(xiàn)在許多芯片組都使用異構(gòu)計算，蘋果、高通、華為這三家新推出的芯片只是在不同程度上使用了這個概念。

過去三年，智能手機CPU一般都采用了Arm的big．LITTLE架構(gòu)，該架構(gòu)將速度相對較慢、節(jié)能的核心與更快、耗電更快的內(nèi)核進行配對。主要的目標是盡可能少的使用電源，以獲得更好的電池壽命。第一批使用這種架構(gòu)的手機包括擁有自主研發(fā)手機處理器Exynos5芯片的三星GalaxyS4，以及華為的Mate8和Honor6。

今年的“人工智能芯片”將這一概念向前推進了一步：要么增加了一個專門的組件來執(zhí)行機器學習任務；要么，在Snapdragon845的情況下，使用其他低功耗內(nèi)核來執(zhí)行。例如，Snaplong845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，比如偵聽熱詞。高通公司產(chǎn)品管理總監(jiān)GaryBrotman表示，像圖像識別這樣的活動，是由GPU更好的管理的。Brotman負責Snapdragon平臺的AI和機器學習。

與此同時，蘋果的A11仿生應用在其GPU中使用了一個神經(jīng)引擎，以加快人臉識別，Animoji和一些第三方應用的速度。這意味著，當啟動iPhoneX上這些過程時，A11就會打開神經(jīng)引擎，進行必要的計算，要么驗證你是誰，要么把你的面部表情映射到對話框。

在麒麟970上，NPU接管了一些任務，比如掃描和翻譯用微軟翻譯器拍攝的圖片中的單詞。微軟翻譯器是目前為止唯一針對該芯片組進行了優(yōu)化的第三方應用程序。華為表示，“HiAI”異構(gòu)計算結(jié)構(gòu)將最大限度地提高了其芯片組中大多數(shù)組件的性能，因此，它可能會將人工智能任務分配給不僅僅是NPU的任務。

A11仿生的兩個“性能”核心和四個“效率”核心

除了差異之外，這個新的架構(gòu)意味著，以前在云端處理的機器學習，現(xiàn)在可以在設備上更高效地執(zhí)行了。通過使用CPU以外的部分來運行AI任務，手機可以同時做更多的事情，因此在等待翻譯或找到要找的圖片時，不太可能會遇到延遲。

另外，在手機上運行這些過程，而不是把它們發(fā)送到云端，對保護用戶隱私也有好處，因為這減少了黑客獲取用戶數(shù)據(jù)的潛在機會。

這些AI芯片的另一大優(yōu)勢是節(jié)省能源。電力是一種寶貴的資源，需要審慎分配。GPU傾向于吸收更多功率，所以如果DSP的能效更高，效果相似，那么最好是利用后者。

需要說明的是，在執(zhí)行某些任務時，并不是芯片組本身決定要使用哪個內(nèi)核。Brotman說：“今天，這取決于開發(fā)者或OEMs的運行方式�！背绦騿T可以使用支持的庫，比如谷歌的TensorFlow（或者更確切地說，它的Lite移動版本）支持的庫來指定在哪些內(nèi)核上運行他們的模型。

高通、華為和蘋果都在使用TensorFlowLite和Facebook的Caffe2這樣最受歡迎的神經(jīng)網(wǎng)絡庫。高通還支持較新的開放神經(jīng)網(wǎng)絡交換（ONNX），而蘋果通過其核心的ML框架為更多機器學習模型增加兼容性。

到目前為止，這些芯片都沒有帶來很明顯的好處。不管芯片制造商吹噓他們自己的測試結(jié)果和基準，這些最終都是毫無意義的，直到人工智能過程成為我們?nèi)粘Ｉ�活中更重要的一部分。我們正處于設備上機器學習的早期階段，而且使用新硬件的開發(fā)人員寥寥無幾。

不過，顯而易見的是，這場使在設備上執(zhí)行機器學習相關(guān)的任務更快，更省電的競賽正在進行。我們只需要再等一段時間，就能看到這個架構(gòu)對AI的真正好處。