Les géants de l'industrie de la technologie semblent avoir pleinement adopté la révolution de l'IA, et Apple, Qualcomm et Huawei ont créé une puce mobile conçue pour fournir une meilleure plate-forme d'apprentissage automatique que différentes entreprises conçoivent. Dans une puce légèrement différente, Huawei a dévoilé le Kirin 970 à l'IFA de cette année, l'appelant le premier chipset avec une NPU dédiée, et Apple a sorti la puce intelligente A11 Bionic , Qui fournit la puissance du moteur pour l'iPhone8, 8Plus et x La puce bionique A11 dispose d'un processeur Nerve Engine conçu spécifiquement pour l'apprentissage automatique.
La semaine dernière, Qualcomm a annoncé le Snapdragon 845, la puce peut être envoyé tâche AI au processeur central le plus approprié méthodologie de conception du système de ces trois sociétés n'est pas beaucoup de différence - se résume à chaque puce pour les développeurs Les droits d'accès fournis et la quantité d'énergie consommée par chaque paramètre.
Avant de discuter de ce problème, voyons d'abord comment une puce d'intelligence artificielle diffère d'une unité centrale de traitement existante Dans l'industrie, vous entendez souvent le terme «informatique hétérogène» à propos de l'intelligence artificielle. Est un système qui utilise plusieurs processeurs et chacun a ses propres caractéristiques spécialisées pour des performances supérieures et des économies d'énergie. Le terme n'est pas nouveau et est utilisé par de nombreux chipsets existants - Par exemple, ces trois nouveaux produits ont adopté ce concept à des degrés divers.
Au cours des trois dernières années, les smartphones ont utilisé l'architecture ARM big.LITTLE pour cpu, qui combine un noyau relativement lent d'économies d'énergie avec un cœur plus rapide et moins énergivore. Peut consommer moins d'énergie pour une meilleure vie de la batterie.Les premiers appareils à adopter cette architecture comprennent le Samsung Galaxy S4, qui intègre uniquement la puce Exynos5 de la société, et Huawei Mate8 et l'honneur 6.
« Puce intelligence artificielle » de cette année pour faire de ce concept un peu plus loin et l'apprentissage de la machine pour effectuer des tâches en ajoutant de nouveaux composants dédiés, ou peuvent être effectuées à l'aide d'une des tâches d'apprentissage machine autre noyau de faible puissance. Par exemple, vous pouvez l'utiliser Xiaolong 845 le processeur de signal numérique (DSP) pour gérer les tâches longues à exécuter nécessitent un grand nombre de double comptage, par exemple, un utilisateur a besoin de trouver les mots chauds en analysant dans une longue conversation Gary Brotman, directeur général des produits de Qualcomm a dit Engadget, d'autre part, comme la reconnaissance d'image doit mieux gérer par le GPU, Bratman responsable du développement de la plate-forme Snapdragon de l'intelligence artificielle et des techniques d'apprentissage machine intelligente.
En attendant, l'application Apple A11 bionics ajoute un moteur neuronal à son GPU pour accélérer la reconnaissance faciale, la rétroaction verbale et l'utilisation d'applications tierces, ce qui signifie que lorsque vous démarrez ces processus sur iPhoneX , A11 allume le moteur nerveux pour effectuer des calculs afin de vérifier l'identité de l'utilisateur, ou verser votre expression faciale dans l'application «bavarde».
Dans la puce Kirin 970, la NPU gère des tâches telles que la numérisation et la traduction d'images dans Microsoft Translate, la seule application tierce optimisée pour la puce à ce jour, et Huawei a déclaré que son isomérie 'HiAI' L'architecture informatique maximise les performances de la plupart des composants de son chipset, de sorte qu'elle peut allouer des tâches IA à plus que de simples NPU.
En dépit de ces différences, cette nouvelle architecture signifie que dans le passé, l'apprentissage automatique était géré uniquement dans le cloud et pouvait désormais fonctionner plus efficacement sur l'appareil lui-même.En utilisant des composants non-CPU pour exécuter des tâches AI, les téléphones des utilisateurs Vous pouvez faire plus de choses en même temps, donc vous n'avez pas à retarder l'application en attendant que l'application traduise ou cherche une image d'un chien de compagnie, par exemple.
En outre, l'exécution de ces programmes sur votre téléphone élimine le besoin d'envoyer les données d'utilisation des utilisateurs vers le cloud, ce qui offre aux utilisateurs une plus grande confidentialité, car cela réduit les chances des pirates d'obtenir des données.
Un autre grand avantage de ces puces d'intelligence artificielle sont les économies d'énergie, parce que certains des travaux est répétitif, nous la consommation de la batterie de téléphone doit être une distribution plus raisonnable pour ces processus en double. GPU ont tendance à absorber plus d'énergie, donc si elle est remplacée le DSP est plus économe en énergie, et il peut obtenir un effet similaire avec le GPU, ce dernier est le meilleur choix.
Pour être clair, au moment de décider d'exécuter certaines tâches, la puce elle-même ne décide pas qui à utiliser comme base du lecteur système. »Aujourd'hui, les développeurs et les fournisseurs veulent lancer puce intelligence oem artificielle, dit Brotman. Les programmeurs peuvent en utilisant une base de données pris en charge comme le tensorflow de Google (ou, plus précisément, son mouvement la version Lite) pour choisir d'exécuter leur modèle de base. Qualcomm, Huawei et Apple ont adopté le tensorflow Lite et Facebook et d'autres Caffe2 populaires Options en tant que programme de support de conception Qualcomm prend également en charge le nouveau système ONNX (Open Neural Network Switching), tandis qu'Apple a ajouté de la compatibilité pour davantage de modes d'apprentissage machine grâce à son framework ML de base.
Jusqu'à présent, aucune de ces puces n'a eu un impact réel dans le monde réel, et les fabricants de puces vantent leurs propres résultats de test et de référence, mais ces résultats ne sont pas avant que les programmes AI deviennent une partie importante de nos vies quotidiennes Cela n'a pas de sens, car nous en sommes aux premières étapes de l'achat de machines pour l'apprentissage automatique et il y a très peu de développeurs qui utilisent le nouveau matériel.
Mais maintenant, il est clair que la concurrence a commencé et que les concurrents se concentrent sur la manière de rendre les tâches liées à l'apprentissage automatique plus rapides et plus efficaces sur les appareils des utilisateurs. Chip aux changements de puce d'intelligence artificielle nous apportent l'aide de la vie.