“新A11 Bionic神经引擎采用多核设计，实时处理速度最高每秒可以达到6000亿次。A11 Bionic神经引擎主要是面向特定机器学习算法、Face ID、Animoji及其它一些功能设计的。”

 

　　上面所说的话基本都是宣传资料。所谓的每秒运算6000亿次对你来说没有任何意义。当然，这个数字应该是真实的，但是它并不能告诉我们底层架构是怎样的、真实性能又是怎样的，因为我们不知道苹果所谓的“运行”到底是什么意思。当我们谈论GPU性能，会用TFLOPs评估，例如，厂商会提供GPU在理想环境下执行浮点运算的速度。一般来说，执行特定任务时，GPU的表现与理论数据有差距，就苹果芯片来说应该也是一样的。

 

　　到底苹果硬件的具体规格如何？我们无法确切知道，尽管如此，我们还是可以推断一下。

 

 

　　机器学习是AI技术的分支，它的目标是创建算法，让算法通过数据自动学习。机器学习的种类很多，其中有两种尤其引人关注，一种是监督式学习，一种是无监督学习。

 

　　如果是监督式学习，处理的数据已经贴上标签，分了类。例如，如果你拥有某个城市的数据库，它会告诉你公寓的租赁情况，还有每个公寓占地面积是多少。如果你将这些数据放进算法，用于监督式学习，它会在占地面积与租赁情况之间构建图表，将二者联系起来，你给它一个面积，它可以预测相对应的租赁情况，不需要再写一个特定程序执行相同的任务。你可能会向模型下命令，让它预测1000平方英尺的公寓租金是多少，然后查看1000平方英尺的公寓实际租金是多少，用查到的数据对预测进行检查。输入模型的数据越多，模型越出色，预测的结果越精准。

 

　　如果是无监督学习，输给算法训练的数据没有贴标签。在监督式学习中，你知道自己想在面积与月租金之间建立联系。如果是非监督式学习，你不知道每个数值与什么有关。此时算法会在数据内寻找关系。

 

　　让我们举一个例子。假设你有一个更大的数据库，不只包含平方面积和公寓租赁数据，还有其它数据。比如本地房产的估价数据、犯罪率数据、人口统计数据、学校质量数据、月租金数据、信用评估数据。所有这些因素都会影响公寓的租赁价格，不过各因素的影响到底有多大呢？很难确定。此时，你可能想开发一套算法，将各因素的关系勾勒出来，将相似的结果归成一类，让关系突显出来。这就是所谓的“clustering”（分类归并），它是无监督学习算法的一种基本类型。

　　上图告诉我们同一数据集分类归并之前和之后的形态。Clustering只是一种类型的无监督学习算法，没有任何一种算法是完美的，各有优缺点，有时算法找到的关系只是“背景噪音”，没有价值。Netflix、亚马逊用推荐引擎推荐产品和服务，它用的就是这种类型的算法。

 

　　例如，如果你正在观看《星际迷航》，Netflix怎么知道你喜欢《神盾局特工》呢？因为Netflix拿到了观众的数据，知道它们有关系。如果你知道《星际迷航》影迷有90%看了漫威剧集，你就知道自己应该向他们推荐更多漫威影片。如果处理的数据点只有一个或者两个，要找到这种联系似乎很简单。如果有成百上千个数据点呢？那就麻烦了，此时机器学习能发挥作用。

 

　　面部识别是深度学习、机器学习、AI的主要研究领域之一。正因如此，苹果才会说它的神经引擎用在Face ID上，或者说它是它是专门用来执行特定算法的。Animojis到底有什么作用？现在还不太清楚，让我们先放在一边不去理会。

 

　　苹果曾说过，Face ID不只使用了传统摄像头。按照苹果的描述，新技术用3万个红外光点给面部绘图，这些图像存储起来，当你解锁设备，系统会将存储的图像与它看到的脸部图像对比。整个过程有大量数据需要处理，而且还不能消耗太多的电能。

 

 

　　有许多公司也在研究如何将AI、深度学习、机器学习技术应用于硬件。谷歌开发了Tensorflow、英特尔开发了MIC、Nvidia开发Volta、富士通也在搭建自己的解决方案，甚至连AMD都想将深度学习技术放进Radeon Instinct产品。这些硬件解决方案到底有何区别，我没法一一介绍。深度学习的推断方式、训练深度学习的模型是不同的，这些平台的能力也不一样，它们无法装进相同的硬件，解决相同的问题。

 

　　并不是说它们没有相似的地方。大体来说，这些技术瞄准的都是硬件的特定功能，目标是缩短计算时间，降低计算能耗。与Nvidia Volta和AMD Radeon Instinct对比，苹果A11 Bionic的TDP（热设计功耗）肯定不同，降低每次运行的能耗至关重要。下面的图表告诉我们执行特定运算需要消耗多少电能。AMD与Nvidia积极倡导16位运算，为什么？看看下图就知道了，左边“Operation”一栏指的是执行的运算，“Energy”指的是能耗，“Relative Energy Cost”说的是执行运算需要的能耗；“Area”代表面积，“Relative Area Cost”指出执行相应运算硬件需要多少面积。

 

　　要提高机器学习的运算性能与效率，将数据存放在本地也很关键。总线中传输的数据越少，能耗越低。为了构建一个“低能耗网络”，企业们花了很多精力研究。苹果之所以想为设备引进AI与机器学习技术也是出于这个原因，因为电能有限，提高效率至关重要，它还可以为AI、HPC留下发展空间。如果能够构建低能耗网络，未来可以轻松将CPU放进更大的设备，或者提高CPU的运行速度，但是不会产生更多的热量。

　　要提高机器学习的运算性能与效率，将数据存放在本地也很关键。总线中传输的数据越少，能耗越低。目前我们看到的架构全都是高度并行的架构，它们同步计算大型数据集，目标不是提高频率、减少线程。

 

 

　　在过去几年里，许多企业开始研究深度学习、机器学习、AI。当中一些用来执行特殊任务，比如让无人驾驶汽车行驶。为什么会出现这样的热潮呢？之前硅芯片的性能提升很快，2004年之后形势变了，之后很长一段时间增长变慢。从2004年到2011年，企业增加CPU内核、改进架构，进步的速度还算可以。但是到了2011年之后，高端CPU的单线程速度止步不前，前进速度像乌龟一样。AMD Ryzen做得不错，它在消费市场恢复了一点生机，但在纯粹的单线程性能上AMD还没有打败英特尔。

 

　　如何让芯片继续前进呢？有三种趋势越来越明显。

 

　　首先，要提高计算性能，只能开发新的软件模型，用新的特殊内核运行软件模型。曾几何时通用CPU飞速进步，如果这种进步无法重现，也许特殊、执行特定任务的内核可以让性能快速提升。

 

　　其次，晶体管密度继续提高，能耗继续降低，芯片可以收集更多数据，以更快的速度处理数据，之前我们做不到，因为受到能耗的制约，也没有可以处理的硬件。

 

　　再次，消费PC相当于处理“中心”，但是云数据中心对数据集中处理，正因如此，微软、谷歌等企业才会想着开发特殊硬件，执行特定处理任务。英特尔不会开发一款特殊CPU，为搜索引擎的后端处理做优化，制造这样的芯片没有市场。微软不同，早在2015年，它就用FPGAs技术提高必应的性能。

 

　　苹果所走的道路与数据中心所走的路没有什么不同，不过走这条路的不只有苹果。高通之前也曾说过，骁龙835是一个平台，里面有许多计算功能开发者可以拿去用。未来苹果会如何强化该技术，我们拭目以待。虽然苹果已经远离外设业务，不代表它未来某一天不会回来，它可能会推出高频版A11 Bionic，装进附件，手机对TDP有要求，对外形有要求，附件不会有这样的要求。