AI時代計算能力如何分配？蘋果給出答案

看過今年的秋季蘋果發布會，都會被蘋果A11仿生處理器的性能吸引。從技術層面來說，A11仿生處理器內含的「神經網路引擎（neuralengine）」是其AI功能實現的基礎，儘管目前還沒有更加詳盡的官方技術解析發布，但根據已知的信息來看，「神經網路引擎（neuralengine）」就是將部分需要實時響應的「人工智慧」相關功能（如語音識別、人臉識別等等）進行加速，讓其在手機端達成高效的計算，進而提升「人工智慧」相關功能的用戶體驗，呈現出更高等級的「人工智慧」功能。

通過AI技術加持後的立體人臉識別安全性遠比圖片人臉識別高得多

那問題來了，決定人工智慧等級的基本要素是什麼呢？其實就是計算的能力。2006年，「深度學習」的出現，成為人工智慧再度爆髮式成長的關鍵，正因為「深度學習」的出現，人工智慧技術終於有了實用價值，不再是簡單的概念。

然而，「深度學習」之所以在2006年出現突破，與雲計算、大數據的日趨成熟密不可分，這兩項技術，前者解決了「深度學習」所需的「廉價」高效計算能力，後者解決了「深度學習」所需的大規模的學習模型。兩者的出現，將原本不實用的人工智慧技術成功落地，也就意味著，大數據與雲計算成為了人工智慧發展道路上不可或缺的角色。

什麼是雲計算？什麼又是大數據？

如果，你只是想了解蘋果處理器的部分，可以下跳到下一個小標題。這一部分只是一個知識的普及，目的在於為後面說明設備端計算能力的作用進行簡單的鋪墊。

聽了那麼多年的雲計算與大數據，很多人其實並不以為然，因為消費者層面確實難以直接接觸到這兩個概念，但它們確實在漸漸改變消費者的生活模式。

雲計算

雲計算是通過使計算分布在大量的分散式計算機上，而非本地計算機或遠程伺服器中，企業數據中心的運行將與互聯網更相似。這使得企業能夠將資源切換到需要的應用上，根據需求訪問計算機和存儲系統。好比是從古老的單台發電機模式轉向了電廠集中供電的模式。它意味著計算能力也可以作為一種商品進行流通，就像煤氣、水電一樣，取用方便，費用低廉。最大的不同在於，它是通過互聯網進行傳輸的。

雲計算帶來了「廉價」的高速計算

大數據

對於「大數據」（Big data）研究機構Gartner給出了這樣的定義。「大數據」是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力來適應海量、高增長率和多樣化的信息資產。

大數據技術的戰略意義不在於掌握龐大的數據信息，而在於對這些含有意義的數據進行專業化處理。換而言之，如果把大數據比作一種產業，那麼這種產業實現盈利的關鍵，在於提高對數據的「加工能力」，通過「加工」實現數據的「增值」。

大數據時代

從技術上看,大數據與雲計算的關係就像一枚硬幣的正反面一樣密不可分。大數據必然無法用單台的計算機進行處理,必須採用分散式計算架構。它的特色在於對海量數據的挖掘,但它必須依託雲計算的分散式處理、分散式資料庫、雲存儲和虛擬化技術。

簡而言之，雲計算為大數據的「加工」提供了加工環境，而大數據的「加工」也成為「深度學習」的基矗雲計算與大數據的融合與發展，為人工智慧及相關技術的落地提供了更高的可行性解決方案。

雲計算與大數據發展迅速，設備端的計算能力是否還重要？

既然，人工智慧相關技術的運用當中，雲計算等新興的大數據計算方式成為了主流，那是不是意味著設備端的計算能力可以忽略不計呢？目前的科技發展進度來看，答案就仍然是否定的。

不可否認，雲計算帶來了更加廉價的高效計算，但相對而言，雲計算的響應速度想要實現實時傳輸以及瞬間回應，網路的傳輸速度成為了目前最主要的問題。

以現已廣泛商用的4G網路為例，傳輸速度為20Mbps，理想狀態下，最高傳速度可按照100Mbps計算。這樣的速度，設備端將收集到的數據傳回後端（數據中心或雲端），再經過計算將結果傳回設備端的整體時間消耗，便與數據的大小有直接聯繫。如果需要實現0延遲的回復，數據大小僅能為1M。然而，對於人工智慧相關技術而言，生成的數據遠比1MB大得多，這部分數據的大小難以用當前的網路傳輸速度實現秒傳，這樣就使結果返回到設備端的過程出現極大的延遲，降低用戶體驗還是其次，往往會為用戶帶來人身威脅。所以，設備端本地的高效計算能力，就能幫助數據分析類的人工智慧功能更好實現實時響應。

GIF/909K

自動駕駛車輛為周圍環境繪製地圖

GIF/1816K

自動駕駛車輛行駛中的路況判斷顯然本地計算更具優勢

例如自動駕駛場景下，汽車便可被看做是設備端，當設備端（汽車）在高速移動中，實時收集到道路信息，並對這部分數據加以分析與判斷。顯然以目前的網路配置，在本地進行計算才是最快的選擇。如果傳回雲端或數據中心，分析後再給出結果，很可能令正高速行駛在路面上的車輛由於網路延遲而發生事故，這是很可怕的！失去效率的人工智慧看起來也就沒有那麼智能了！這是一種本末倒置的表現。因此，設備端的高效計算處理器與加速器都是必不可少的硬體配置。也正因此，英偉達、英特爾等晶元廠商，都努力在自動駕駛領域尋找出路。

以蘋果為代表的設備端AI加速器成為技術發展初期標配

回到智能手機場景也如是一樣。今年，以華為、蘋果為代表的手機廠商，也都採用了各自獨家研發的所謂「AI處理器」來為更多的人工智慧相關技術在手機端的落地奠定基矗

蘋果A11仿生處理器的六核心設計

以蘋果A11仿生處理器為例，首先，為保證基本的運算能力，A11 CPU採用了六核心的設計，即2個高性能核心搭配4個高能效核心，並且高性能核心運算速度提升了25%，高能效核心速度提升了70%；其次，自家研發的GPU的能力也得到了提升，進而保證了圖形處理的運算速度。對電腦有所了解的朋友想必都知道，CPU更加擅長數據類信息的運算，而GPU則更適合圖像、視頻類數據的運算，人工智慧相關技術所需計算的數據，並非單純的只有數據類信息，所以，提升GPU的運算能力，一方面可為手機帶來更好的顯示效果，另一方面也提升了手機設備對於圖型類信息的處理速度，進而提升整體數據的運算能力；最後，「神經網路引擎（neuralengine）」的解決方案，進一步為人工智慧功能的落地提供助力。簡而言之，「神經網路引擎（neuralengine）」就是一個專門用於為人工智慧（包括語音助手、人臉識別、物體識別等等）服務的加速器。這類加速器在設備端的應用原理起源於人工智慧基礎演算法的人工神經網路，加速器的出現，一方面解決了CPU在運算人工智慧數據時性能的不足，也消除了GPU進行人工智慧數據計算時的巨大功耗，可謂是目前較為合理的解決方案。

蘋果自主研發的GPU

除蘋果外，資料顯示，華為發布的麒麟970似乎也是採用了這樣的設計。目前看來，在人工智慧初級的探索階段，讓人工智慧相關技術得以落地的消費級電子產品（手機、PC、汽車等）均可採用「神經網路引擎（neuralengine）」的模式來保證人工智慧相關功能的數據可以在設備本地直接進行計算，進而保證人工智慧相關功能的效率得到很好的提升，增強其實用性，為消費者帶來「真·智能」的智慧用戶體驗。

人臉識別功能應用場景之一

至於未來

GIF/698K

蘋果通過人工智慧技術實現的動態表情

至於未來會怎樣有點難以想像，不過筆者認為，當5G網路得到成功商用，將會令大數據、雲計算的能力進一步提升，繼而「深度學習」等人工智慧應用場景也更好的被網路串聯。但即使這樣，一些較為簡單的人工智慧功能的實現，在設備端本地進行計算還是一個不錯的選擇。畢竟，這樣即可減輕後端運算的壓力，又可有效利用前端的資源，進而讓人工智慧相關技術落地的體驗達到最佳，迎來真正的人工智慧時代！

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！