科技行業的巨頭們看似已經完全接受了人工智慧革命. 蘋果, 高通和華為已經製造了一種移動晶片, 而這些晶片的設計目的是提供機器學習一個更好的平台, 而不同公司設計這種晶片都採用了略微不同的方式. 華為在今年的IFA上發布了Kirin 970, 他們稱其為第一款帶有專用神經單元處理器(NPU)的晶片集. 然後, 蘋果發布了A11仿生智能晶片, 該晶片為iPhone8, 8Plus和x提供引擎動力. A11仿生晶片的特點是, 它的神經引擎處理器是專門為機器學習而設計的.
上周, 高通發布了驍龍845, 該晶片能夠將人工智慧任務發送至最合適處理器的核心系統. 這三家公司的設計方法並沒有太大的區別——最終歸結為每種晶片向開發者提供的訪問許可權, 以及每一種設置所消耗的電量.
在我們討論這個問題之前, 我們先來弄清楚一個人工智慧晶片跟現有的cpu有怎樣的不同. 在業界, 你會經常聽到叫 '異構計算' 的有關人工智慧的術語. 它指的是使用多種處理器的系統, 並且每一種處理器都有專門的功能, 以獲得更高的性能及節省能源. 這個術語並不新鮮, 而且許多現有的晶片集都使用了它——例如這三款新產品在不同程度上採用了這個概念.
過去三年來, 智能手機的cpu使用了ARM的big.LITTLE架構, 它能夠將相對較慢的節能核心與速度更快, 能耗更低的核心結合起來. 我們的主要目標是讓這款晶片儘可能少佔用電能, 以獲得更好的電池續航時間. 首批採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的Exynos5晶片, 以及華為的Mate8和榮譽6.
今年的 '人工智慧晶片' 讓這一概念更進一步, 它通過添加一個新的專用組件來執行機器學習任務, 或者可以使用其他低功耗內核來執行機器學習任務. 例如, 驍龍845可以利用它的數字訊號處理器(DSP)來處理需要大量重複計算的長時間運行的任務, 比如在一段長對話裡通過分析找到一個用戶需要的熱詞. 高通的產品管理總監加裡布洛特曼告訴Engadget, 在另一方面, 像映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台開發人工智慧和機器學習技術.
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會開啟神經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晶片中, NPU會處理一些任務, 比如掃描和利用微軟翻譯來翻譯圖片裡的文字. 這是迄今為止唯一針對這款晶片進行優化的第三方應用. 華為表示, 其 'HiAI' 異構計算結構將其晶片集的大部分組件的性能最大化, 因此它可能會將人工智慧任務分配給更多, 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雲端處理機器學習計算, 現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慧任務, 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據發送到雲端, 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據的機會.
這些人工智慧晶片的另一大優勢是節約能源. 因為有些工作是重複的, 我們手機電池消耗量需要針對這些重複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能的DSP, 並且它可以實現與GPU類似的效果, 那麼最好是選擇後者.
需要明確的是, 在決定執行某些任務時, 晶片本身並不決定使用哪個核心系統作為驅動. '在今天, 開發者們和oem廠商都想要運行人工智慧晶片, ' Brotman說. 程序員可以使用像Google的TensorFlow這樣的支援資料庫(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, 華為和蘋果都採用了TensorFlow Lite和Facebook的Caffe2等最受歡迎的選項作為他們設計的支援程序. 高通也支援新的開放神經網路交換(ONNX)系統, 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相容性.
到目前為止, 這些晶片都沒有在現實世界中帶來明顯的影響. 晶片製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慧程序成為我們日常生活中重要的一部分之前都毫無意義. 因為我們正處於讓設備進行機器學習的發展早期階段, 並且使用新硬體的開發者少之又少.
不過現在很明顯的是, 競爭已經開始了, 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, 就能看到從傳統晶片到人工智慧晶片的轉變帶給我們生活上的幫助.