芯耀
14
目前，高端智能手機 CPU 都有一個叫做“神經(jīng)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(jīng)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(jīng)處理單元(NPU)的芯片。接著，蘋果推出了 A11 仿生芯片，iPhone 8、8 Plus 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(jīng)引擎。
上周，高通宣布推出 Snapdragon 845，它將 AI 任務發(fā)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(fā)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(xiàn)有的 CPU 完全不同。最近，在行業(yè)中，經(jīng)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(tǒng)，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(xiàn)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(jié)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(fā)手機處理器 Exynos5 芯片的三星 Galaxy S4，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(zhí)行機器學習任務；要么，在 Snapdragon 845 的情況下，使用其他低功耗內核來執(zhí)行。例如，Snaplong 845 可以利用它的數(shù)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(jiān) Gary Brotman 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(jīng)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 iPhone X 上這些過程時，A11 就會打開神經(jīng)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(yōu)化的第三方應用程序。華為表示，“HiAI”異構計算結構最大限度地提高了其芯片組中大多數(shù)組件的性能，因此，它可能會將人工智能任務不僅僅分配給 NPU。
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(xiàn)在可以在設備上更高效地執(zhí)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(fā)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(shù)據(jù)的潛在機會。
這些 AI 芯片的另一大優(yōu)勢是節(jié)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(zhí)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(fā)者或 OEMs 的運行方式?！背绦騿T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 TensorFlow Lite 和 Facebook 的 Caffe2 這樣最受歡迎的神經(jīng)網(wǎng)絡庫。高通還支持較新的開放神經(jīng)網(wǎng)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(fā)人員寥寥無幾。
不過，顯而易見的是，這場使在設備上執(zhí)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。
更多相關內容，歡迎點擊人工智能繼續(xù)閱讀！
與非網(wǎng)編譯內容，未經(jīng)許可，不得轉載！
