Los gigantes de la industria tecnológica parecen haber adoptado por completo la revolución de la inteligencia artificial, y Apple, Qualcomm y Huawei han creado un chip móvil diseñado para proporcionar una mejor plataforma de aprendizaje automático que el diseño de diferentes compañías. En un chip ligeramente diferente, Huawei reveló el Kirin 970 en el IFA de este año, llamándolo el primer conjunto de chips con una NPU dedicada, y Apple lanzó el A11 Bionic Smart Chip , Que proporciona la potencia del motor para el iPhone8, 8Plus y x. El chip biónico A11 presenta un procesador Nerve Engine diseñado específicamente para el aprendizaje automático.
La semana pasada, Qualcomm lanzó el Snapdragon 845, que entrega tareas de inteligencia artificial al procesador central del procesador más adecuado, y los enfoques de diseño para las tres compañías no son tan diferentes, en última instancia, se reduce a ofrecer desarrolladores. Los derechos de acceso proporcionados y la cantidad de energía consumida por cada configuración.
Antes de discutir este tema, primero descubramos cómo un chip de inteligencia artificial difiere de una CPU existente. En la industria, a menudo se escucha el término "informática heterogénea" sobre inteligencia artificial. Es un sistema que usa múltiples procesadores y cada uno tiene sus propias características especializadas para un mayor rendimiento y ahorro de energía. El término no es nuevo y lo utilizan muchos de los conjuntos de chips existentes: Por ejemplo, estos tres nuevos productos han adoptado este concepto en diversos grados.
Durante los últimos tres años, los teléfonos inteligentes han utilizado la arquitectura ARM big.LITTLE para cpu, que combina un núcleo relativamente lento de ahorro de energía con un núcleo más rápido y menos intensivo en energía. Nuestro objetivo principal es hacer que este chip funcione Puede consumir menos energía para una mejor duración de la batería. Los primeros teléfonos que adoptan esta arquitectura incluyen el Samsung Galaxy S4, que solo incorpora el chip Exynos5 propio de la compañía, y el Mate8 y el honor 6 de Huawei.
El "chip de inteligencia artificial" de este año lleva el concepto un paso más allá al ejecutar una tarea de aprendizaje automático al agregar un nuevo componente dedicado o utilizar otros núcleos de baja potencia para tareas de aprendizaje automático, por ejemplo, el Snapdragon 845 puede aprovecharlo Procesador de señal digital (DSP) para manejar tareas de larga ejecución que requieren una gran cantidad de doble conteo, como encontrar una palabra atractiva para un usuario a través del análisis durante una larga conversación El director de gestión de producto de Qualcomm, Gary Bulotman, le dijo a Engadget: Por otro lado, las necesidades como el reconocimiento de imágenes se pueden gestionar mejor a través de la GPU, con Brotman como único responsable del desarrollo de la inteligencia artificial y las tecnologías de aprendizaje automático para la plataforma inteligente Snapdragon.
Mientras tanto, la aplicación biónica A11 de Apple agrega un motor neuronal a su GPU para acelerar el reconocimiento facial, la retroalimentación verbal y el uso de aplicaciones de terceros, lo que significa que cuando inicie estos procesos en iPhoneX , A11 enciende el Nerve Engine para realizar cálculos para verificar la identidad del usuario, o vierte tu expresión facial en la aplicación 'talkative'.
En Kirin 970 chips, NPU se encargará de algunas tareas, tales como la exploración y el uso de Microsoft Translator para traducir el texto en la imagen. Esto es, con mucho, las únicas aplicaciones de terceros optimizados para el chip. Huawei dijo que su isómero 'Hiai' La arquitectura informática maximiza el rendimiento de la mayoría de los componentes de su conjunto de chips, por lo que puede asignar tareas de IA a más que solo NPU.
A pesar de estas diferencias, esta nueva arquitectura significa que en el pasado, la informática de aprendizaje automático solo se manejaba en la nube y ahora puede ejecutarse más eficientemente en el dispositivo. Al usar partes que no son de la CPU para ejecutar tareas de IA, los teléfonos de los usuarios Puedes hacer más cosas al mismo tiempo, por lo que no tienes que demorar hasta que tengas la aplicación para traducir o buscar una imagen de un perro, por ejemplo.
Además, ejecutar estos programas en su teléfono elimina la necesidad de enviar datos de uso de los usuarios a la nube, lo que les brinda a los usuarios mayor privacidad porque reduce las posibilidades de los piratas informáticos de obtener datos.
Otra gran ventaja de estos chips de inteligencia artificial es que ahorran energía, porque algunos trabajos son repetitivos, y el consumo de la batería de nuestro teléfono celular debe asignarse más racionalmente para estos procesos repetitivos. Las GPU tienden a absorber más energía, por lo que si Es un DSP con mayor eficiencia energética y puede lograr efectos similares a los de las GPU; lo mejor es elegir lo último.
Para que quede claro, cuando se decide a realizar ciertas tareas, el chip en sí no decide cuál utilizar como el núcleo de la unidad del sistema. 'Hoy en día, los desarrolladores y los proveedores quieren correr chip de inteligencia artificial OEM,' dijo Brotman. Los programadores pueden utilizando una base de datos compatible como TensorFlow de Google (o, más precisamente, su movimiento versión Lite) para elegir ejecutar su modelo básico. Qualcomm, Huawei y Apple han adoptado el TensorFlow Lite y Facebook y otros Caffe2 populares opciones, ya que el diseño de programas de apoyo. Qualcomm también es compatible con el nuevo sistema abierto de intercambio de redes neuronales (ONNX), mientras que Apple a través de su estructura central de ML para los modelos de aprendizaje automático añadir una mayor compatibilidad.
Hasta ahora, ninguno de estos chips ha tenido un impacto real en el mundo real, y los fabricantes de chips están promocionando sus propios resultados de pruebas y puntos de referencia, pero estos resultados de las pruebas no son hasta que los programas de IA se vuelvan una parte importante de nuestra vida cotidiana No tienen sentido porque estamos en las primeras etapas de obtener máquinas para el aprendizaje automático y hay muy pocos desarrolladores que usan el nuevo hardware.
Pero ahora está claro que la competencia ha comenzado y los competidores se están enfocando en cómo hacer que las tareas relacionadas con el aprendizaje automático se ejecuten de manera más rápida y eficiente en los dispositivos de los usuarios. Solo tenemos que esperar un tiempo, Los cambios de viruta a chip de inteligencia artificial nos brindan la ayuda de la vida.