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

科技巨頭們已經完全接受了人工智能革命。蘋果（Apple）、高通（Qualcomm）和華為（Huawei）生產的移動芯片，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”的神經引擎。

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

在討論之前，讓我們來看看AI芯片是否與現有的CPU完全不同。最近，在行業中，經常可以聽到的關于人工智能的術語是“異構計算”。它指的是使用多種類型的處理器的系統，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，現在許多芯片組都使用異構計算，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，該架構將速度相對較慢、節能的核心與更快、耗電更快的內核進行配對。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的手機包括擁有自主研發手機處理器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行機器學習任務；要么，在Snapdragon845的情況下，使用其他低功耗內核來執行。例如，Snaplong845可以利用它的數字信號處理器（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。高通公司產品管理總監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化的第三方應用程序。華為表示，“HiAI”異構計算結構將最大限度地提高了其芯片組中大多數組件的性能，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，這個新的架構意味著，以前在云端處理的機器學習，現在可以在設備上更高效地執行了。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據的潛在機會。

這些AI芯片的另一大優勢是節省能源。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，在執行某些任務時，并不是芯片組本身決定要使用哪個內核。Brotman說：“今天，這取決于開發者或OEMs的運行方式。”程序員可以使用支持的庫，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網絡庫。高通還支持較新的開放神經網絡交換（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日常生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人員寥寥無幾。

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