Technologie Branchenriesen scheint voll und ganz die künstliche Intelligenz Revolution akzeptiert zu haben. Apple Qualcomm und Huawei hat einen mobilen Chip, konzipiert für die Zwecke dieser Chips ist eine bessere Plattform für maschinelles Lernen zu bieten und unterschiedliche Gestaltung dieses Unternehmens Chips haben eine etwas andere Art und Weise angenommen. Huawei Kirin 970 auf der diesjährigen IFA veröffentlicht, sie es der erste Chipsatz mit speziellen neuronalen Prozessoreinheit nennen (NPU), dann veröffentlichte Apple die A11 bionische Smart-Chip der Chip iPhone8, 8Plus und x die Motorleistung bereitstellt. kennzeichnet A11 bionische Chip ist, dass es die Nerven Motor Prozessor für maschinelles Lernen und Design ausgelegt.
Letzte Woche hat Qualcomm den Snapdragon 845 herausgebracht, der dem Kernprozessor des am besten geeigneten Prozessors Aufgaben mit künstlicher Intelligenz zuführt, und die Designansätze für die drei Unternehmen sind nicht so unterschiedlich - letztlich auf die Entwickler beschränkt Die bereitgestellten Zugriffsrechte und die Menge an Energie, die von jeder Einstellung verbraucht wird.
Bevor wir dieses Thema diskutieren, lassen Sie uns zuerst herausfinden, wie sich ein künstlicher Intelligenzchip von einer bestehenden CPU unterscheidet.In der Industrie hört man oft den Begriff "heterogenes Computing" über künstliche Intelligenz. Ist ein System, das mehrere Prozessoren verwendet und jeder seine eigenen speziellen Funktionen für höhere Leistung und Energieeinsparungen hat. Der Begriff ist nicht neu und wird von vielen bestehenden Chipsätzen verwendet - Zum Beispiel haben diese drei neuen Produkte dieses Konzept in unterschiedlichem Maße übernommen.
In den vergangenen drei Jahren haben Smartphones die ARM big.LITTLE-Architektur für CPUs verwendet, die den relativ langsamen energiesparenden Kern mit dem schnelleren, weniger energieintensiven Kern verbindet, und unser Hauptziel ist es, diesen Chip perfekt zu machen Kann weniger Energie für eine bessere Akkulaufzeit verbrauchen. Die ersten Handys, die diese Architektur übernehmen, sind das Samsung Galaxy S4, das nur den firmeneigenen Exynos5-Chip und Huaweis Mate8 und Ehre 6 enthält.
Die diesjährige ‚künstlicher Intelligenz-Chip‘, dieses Konzept machen noch einen Schritt weiter und maschinelles Lernen Aufgaben durch eine neue dedizierten Komponenten hinzufügen oder können unter Verwendung einer Maschinenlernaufgabe anderen Low-Power-Kern durchgeführt werden. Zum Beispiel können Sie es verwenden Xiaolong 845 der digitale Signalprozessor (DSP) behandeln lang laufende Aufgaben eine große Anzahl von Doppelzählungen erfordern, beispielsweise ein Benutzer heiße Worte finden muss, indem sie in Gary Brotman in einem langen Gespräch zu analysieren, Geschäftsführer von Qualcomm Produkte erzählt Engadget, auf der anderen Seite, wie Bilderkennung muss besser durch die GPU verwalten, Bratman verantwortlich für die Snapdragon-Plattform-Entwicklung der künstlichen Intelligenz und intelligenter Techniken des maschinellen Lernens.
In der Zwischenzeit fügt Apples A11 Bionics-Anwendung seiner GPU eine neurale Engine hinzu, um die Gesichtserkennung, das verbale Feedback und die Verwendung von Anwendungen von Drittanbietern zu beschleunigen, was bedeutet, dass Sie diese Prozesse auf iPhoneX starten , A11 schaltet die Nerve Engine ein, um Berechnungen durchzuführen, um die Identität des Benutzers zu verifizieren, oder um Ihren Gesichtsausdruck in die "gesprächige" App einzubetten.
In Kirin 970-Chip wird NPU einige Aufgaben bewältigen, wie Scannen und Microsoft Übersetzer Text im Bild zu übersetzen. Dies ist bei weitem der einzigen Anwendungen von Drittanbietern für den Chip optimieren. Sagte Huawei seine ‚HiAI‘ Isomer die Rechenstruktur, die die Leistung der meisten Komponenten des Chipsatzes zu maximieren, könnte es eine Aufgabe der künstlichen Intelligenz mehr als nur NPU zuweisen.
Trotz dieser Unterschiede bedeutet diese neue Architektur, dass Machine-Learning-Computing in der Vergangenheit nur in der Cloud gehandhabt wurde und nun effizienter auf dem Gerät selbst ausgeführt werden kann. Durch die Verwendung von Nicht-CPU-Teilen zum Ausführen von AI-Aufgaben, Telefone der Benutzer Sie können mehr Dinge gleichzeitig tun, so dass Sie nicht zu spät kommen müssen, um zu warten, bis die App übersetzt wird, oder nach einem Bild eines Haustiers zu suchen.
Wenn Sie diese Programme auf Ihrem Telefon ausführen, müssen Sie die Nutzungsdaten der Benutzer nicht mehr an die Cloud senden. Dadurch erhalten die Benutzer mehr Privatsphäre, da sie die Chancen von Hackern verringern, Daten zu erhalten.
Ein weiterer großer Vorteil dieser Chips mit künstlicher Intelligenz ist, dass sie Energie sparen, da sich manche Arbeiten wiederholen und unser Handybatterieverbrauch für diese sich wiederholenden Prozesse rationeller zugeordnet werden muss. GPUs absorbieren tendenziell mehr Energie, wenn dies stattdessen der Fall ist Ist ein energieeffizienter DSP, und es kann ähnliche Effekte wie GPUs erreichen, ist es am besten, Letzteres zu wählen.
Es muss klargestellt werden, dass der Chip selbst nicht entscheidet, welches Kernsystem als Treiber bei der Entscheidung für bestimmte Aufgaben verwendet werden soll. "Entwickler und OEMs wollen heute AI-Chips ausführen", sagte Brotman. Verwenden Sie die Support-Datenbank (oder genauer gesagt die mobile Lite-Version) wie Google TensorFlow, um den Kern zu wählen, von dem aus Sie Ihre Modelle laufen lassen. Qualcomm, Huawei und Apple verwenden den beliebten TensorFlow Lite und Facebooks Caffe2 Optionen als ihr Design-Support-Programm Qualcomm unterstützt auch das neue ONNX-System (Open Neural Network Switching), während Apple durch sein Kern-ML-Framework die Kompatibilität für weitere Machine-Learning-Modi erweitert hat.
Bisher hat keiner dieser Chips in der realen Welt einen wirklichen Einfluss gehabt, und Chiphersteller preisen ihre eigenen Testergebnisse und Benchmarks, aber diese Testergebnisse sind nicht, bis KI-Programme ein wichtiger Teil unseres täglichen Lebens werden Sind bedeutungslos, weil wir uns in den frühen Stadien befinden, Maschinen für maschinelles Lernen zu bekommen, und es gibt sehr wenige Entwickler, die die neue Hardware verwenden.
Aber jetzt ist klar, dass der Wettbewerb bereits begonnen hat und die Mitbewerber sich darauf konzentrieren, Aufgaben im Zusammenhang mit maschinellem Lernen schneller und effizienter auf Benutzergeräten auszuführen. Wir müssen nur eine Weile warten, Wechsel von Chips zu künstlichen Intelligenzchips bringen uns die Hilfe des Lebens.