“新A11 Bionic神經(jīng)引擎采用多核設(shè)計(jì)，實(shí)時(shí)處理速度最高每秒可以達(dá)到6000億次。A11 Bionic神經(jīng)引擎主要是面向特定機(jī)器學(xué)習(xí)算法、Face ID、Animoji及其它一些功能設(shè)計(jì)的。”

 

　　上面所說(shuō)的話基本都是宣傳資料。所謂的每秒運(yùn)算6000億次對(duì)你來(lái)說(shuō)沒(méi)有任何意義。當(dāng)然，這個(gè)數(shù)字應(yīng)該是真實(shí)的，但是它并不能告訴我們底層架構(gòu)是怎樣的、真實(shí)性能又是怎樣的，因?yàn)槲覀儾恢捞O果所謂的“運(yùn)行”到底是什么意思。當(dāng)我們談?wù)揋PU性能，會(huì)用TFLOPs評(píng)估，例如，廠商會(huì)提供GPU在理想環(huán)境下執(zhí)行浮點(diǎn)運(yùn)算的速度。一般來(lái)說(shuō)，執(zhí)行特定任務(wù)時(shí)，GPU的表現(xiàn)與理論數(shù)據(jù)有差距，就蘋果芯片來(lái)說(shuō)應(yīng)該也是一樣的。

 

　　到底蘋果硬件的具體規(guī)格如何？我們無(wú)法確切知道，盡管如此，我們還是可以推斷一下。

 

 

　　機(jī)器學(xué)習(xí)是AI技術(shù)的分支，它的目標(biāo)是創(chuàng)建算法，讓算法通過(guò)數(shù)據(jù)自動(dòng)學(xué)習(xí)。機(jī)器學(xué)習(xí)的種類很多，其中有兩種尤其引人關(guān)注，一種是監(jiān)督式學(xué)習(xí)，一種是無(wú)監(jiān)督學(xué)習(xí)。

 

　　如果是監(jiān)督式學(xué)習(xí)，處理的數(shù)據(jù)已經(jīng)貼上標(biāo)簽，分了類。例如，如果你擁有某個(gè)城市的數(shù)據(jù)庫(kù)，它會(huì)告訴你公寓的租賃情況，還有每個(gè)公寓占地面積是多少。如果你將這些數(shù)據(jù)放進(jìn)算法，用于監(jiān)督式學(xué)習(xí)，它會(huì)在占地面積與租賃情況之間構(gòu)建圖表，將二者聯(lián)系起來(lái)，你給它一個(gè)面積，它可以預(yù)測(cè)相對(duì)應(yīng)的租賃情況，不需要再寫一個(gè)特定程序執(zhí)行相同的任務(wù)。你可能會(huì)向模型下命令，讓它預(yù)測(cè)1000平方英尺的公寓租金是多少，然后查看1000平方英尺的公寓實(shí)際租金是多少，用查到的數(shù)據(jù)對(duì)預(yù)測(cè)進(jìn)行檢查。輸入模型的數(shù)據(jù)越多，模型越出色，預(yù)測(cè)的結(jié)果越精準(zhǔn)。

 

　　如果是無(wú)監(jiān)督學(xué)習(xí)，輸給算法訓(xùn)練的數(shù)據(jù)沒(méi)有貼標(biāo)簽。在監(jiān)督式學(xué)習(xí)中，你知道自己想在面積與月租金之間建立聯(lián)系。如果是非監(jiān)督式學(xué)習(xí)，你不知道每個(gè)數(shù)值與什么有關(guān)。此時(shí)算法會(huì)在數(shù)據(jù)內(nèi)尋找關(guān)系。

 

　　讓我們舉一個(gè)例子。假設(shè)你有一個(gè)更大的數(shù)據(jù)庫(kù)，不只包含平方面積和公寓租賃數(shù)據(jù)，還有其它數(shù)據(jù)。比如本地房產(chǎn)的估價(jià)數(shù)據(jù)、犯罪率數(shù)據(jù)、人口統(tǒng)計(jì)數(shù)據(jù)、學(xué)校質(zhì)量數(shù)據(jù)、月租金數(shù)據(jù)、信用評(píng)估數(shù)據(jù)。所有這些因素都會(huì)影響公寓的租賃價(jià)格，不過(guò)各因素的影響到底有多大呢？很難確定。此時(shí)，你可能想開(kāi)發(fā)一套算法，將各因素的關(guān)系勾勒出來(lái)，將相似的結(jié)果歸成一類，讓關(guān)系突顯出來(lái)。這就是所謂的“clustering”（分類歸并），它是無(wú)監(jiān)督學(xué)習(xí)算法的一種基本類型。

　　上圖告訴我們同一數(shù)據(jù)集分類歸并之前和之后的形態(tài)。Clustering只是一種類型的無(wú)監(jiān)督學(xué)習(xí)算法，沒(méi)有任何一種算法是完美的，各有優(yōu)缺點(diǎn)，有時(shí)算法找到的關(guān)系只是“背景噪音”，沒(méi)有價(jià)值。Netflix、亞馬遜用推薦引擎推薦產(chǎn)品和服務(wù)，它用的就是這種類型的算法。

 

　　例如，如果你正在觀看《星際迷航》，Netflix怎么知道你喜歡《神盾局特工》呢？因?yàn)镹etflix拿到了觀眾的數(shù)據(jù)，知道它們有關(guān)系。如果你知道《星際迷航》影迷有90%看了漫威劇集，你就知道自己應(yīng)該向他們推薦更多漫威影片。如果處理的數(shù)據(jù)點(diǎn)只有一個(gè)或者兩個(gè)，要找到這種聯(lián)系似乎很簡(jiǎn)單。如果有成百上千個(gè)數(shù)據(jù)點(diǎn)呢？那就麻煩了，此時(shí)機(jī)器學(xué)習(xí)能發(fā)揮作用。

 

　　面部識(shí)別是深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、AI的主要研究領(lǐng)域之一。正因如此，蘋果才會(huì)說(shuō)它的神經(jīng)引擎用在Face ID上，或者說(shuō)它是它是專門用來(lái)執(zhí)行特定算法的。Animojis到底有什么作用？現(xiàn)在還不太清楚，讓我們先放在一邊不去理會(huì)。

 

　　蘋果曾說(shuō)過(guò)，F(xiàn)ace ID不只使用了傳統(tǒng)攝像頭。按照蘋果的描述，新技術(shù)用3萬(wàn)個(gè)紅外光點(diǎn)給面部繪圖，這些圖像存儲(chǔ)起來(lái)，當(dāng)你解鎖設(shè)備，系統(tǒng)會(huì)將存儲(chǔ)的圖像與它看到的臉部圖像對(duì)比。整個(gè)過(guò)程有大量數(shù)據(jù)需要處理，而且還不能消耗太多的電能。

 

 

　　有許多公司也在研究如何將AI、深度學(xué)習(xí)、機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于硬件。谷歌開(kāi)發(fā)了Tensorflow、英特爾開(kāi)發(fā)了MIC、Nvidia開(kāi)發(fā)Volta、富士通也在搭建自己的解決方案，甚至連AMD都想將深度學(xué)習(xí)技術(shù)放進(jìn)Radeon Instinct產(chǎn)品。這些硬件解決方案到底有何區(qū)別，我沒(méi)法一一介紹。深度學(xué)習(xí)的推斷方式、訓(xùn)練深度學(xué)習(xí)的模型是不同的，這些平臺(tái)的能力也不一樣，它們無(wú)法裝進(jìn)相同的硬件，解決相同的問(wèn)題。

 

　　并不是說(shuō)它們沒(méi)有相似的地方。大體來(lái)說(shuō)，這些技術(shù)瞄準(zhǔn)的都是硬件的特定功能，目標(biāo)是縮短計(jì)算時(shí)間，降低計(jì)算能耗。與Nvidia Volta和AMD Radeon Instinct對(duì)比，蘋果A11 Bionic的TDP（熱設(shè)計(jì)功耗）肯定不同，降低每次運(yùn)行的能耗至關(guān)重要。下面的圖表告訴我們執(zhí)行特定運(yùn)算需要消耗多少電能。AMD與Nvidia積極倡導(dǎo)16位運(yùn)算，為什么？看看下圖就知道了，左邊“Operation”一欄指的是執(zhí)行的運(yùn)算，“Energy”指的是能耗，“Relative Energy Cost”說(shuō)的是執(zhí)行運(yùn)算需要的能耗；“Area”代表面積，“Relative Area Cost”指出執(zhí)行相應(yīng)運(yùn)算硬件需要多少面積。

 

　　要提高機(jī)器學(xué)習(xí)的運(yùn)算性能與效率，將數(shù)據(jù)存放在本地也很關(guān)鍵?？偩€中傳輸?shù)臄?shù)據(jù)越少，能耗越低。為了構(gòu)建一個(gè)“低能耗網(wǎng)絡(luò)”，企業(yè)們花了很多精力研究。蘋果之所以想為設(shè)備引進(jìn)AI與機(jī)器學(xué)習(xí)技術(shù)也是出于這個(gè)原因，因?yàn)殡娔苡邢?，提高效率至關(guān)重要，它還可以為AI、HPC留下發(fā)展空間。如果能夠構(gòu)建低能耗網(wǎng)絡(luò)，未來(lái)可以輕松將CPU放進(jìn)更大的設(shè)備，或者提高CPU的運(yùn)行速度，但是不會(huì)產(chǎn)生更多的熱量。

　　要提高機(jī)器學(xué)習(xí)的運(yùn)算性能與效率，將數(shù)據(jù)存放在本地也很關(guān)鍵?？偩€中傳輸?shù)臄?shù)據(jù)越少，能耗越低。目前我們看到的架構(gòu)全都是高度并行的架構(gòu)，它們同步計(jì)算大型數(shù)據(jù)集，目標(biāo)不是提高頻率、減少線程。

 

 

　　在過(guò)去幾年里，許多企業(yè)開(kāi)始研究深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、AI。當(dāng)中一些用來(lái)執(zhí)行特殊任務(wù)，比如讓無(wú)人駕駛汽車行駛。為什么會(huì)出現(xiàn)這樣的熱潮呢？之前硅芯片的性能提升很快，2004年之后形勢(shì)變了，之后很長(zhǎng)一段時(shí)間增長(zhǎng)變慢。從2004年到2011年，企業(yè)增加CPU內(nèi)核、改進(jìn)架構(gòu)，進(jìn)步的速度還算可以。但是到了2011年之后，高端CPU的單線程速度止步不前，前進(jìn)速度像烏龜一樣。AMD Ryzen做得不錯(cuò)，它在消費(fèi)市場(chǎng)恢復(fù)了一點(diǎn)生機(jī)，但在純粹的單線程性能上AMD還沒(méi)有打敗英特爾。

 

　　如何讓芯片繼續(xù)前進(jìn)呢？有三種趨勢(shì)越來(lái)越明顯。

 

　　首先，要提高計(jì)算性能，只能開(kāi)發(fā)新的軟件模型，用新的特殊內(nèi)核運(yùn)行軟件模型。曾幾何時(shí)通用CPU飛速進(jìn)步，如果這種進(jìn)步無(wú)法重現(xiàn)，也許特殊、執(zhí)行特定任務(wù)的內(nèi)核可以讓性能快速提升。

 

　　其次，晶體管密度繼續(xù)提高，能耗繼續(xù)降低，芯片可以收集更多數(shù)據(jù)，以更快的速度處理數(shù)據(jù)，之前我們做不到，因?yàn)槭艿侥芎牡闹萍s，也沒(méi)有可以處理的硬件。

 

　　再次，消費(fèi)PC相當(dāng)于處理“中心”，但是云數(shù)據(jù)中心對(duì)數(shù)據(jù)集中處理，正因如此，微軟、谷歌等企業(yè)才會(huì)想著開(kāi)發(fā)特殊硬件，執(zhí)行特定處理任務(wù)。英特爾不會(huì)開(kāi)發(fā)一款特殊CPU，為搜索引擎的后端處理做優(yōu)化，制造這樣的芯片沒(méi)有市場(chǎng)。微軟不同，早在2015年，它就用FPGAs技術(shù)提高必應(yīng)的性能。

 

　　蘋果所走的道路與數(shù)據(jù)中心所走的路沒(méi)有什么不同，不過(guò)走這條路的不只有蘋果。高通之前也曾說(shuō)過(guò)，驍龍835是一個(gè)平臺(tái)，里面有許多計(jì)算功能開(kāi)發(fā)者可以拿去用。未來(lái)蘋果會(huì)如何強(qiáng)化該技術(shù)，我們拭目以待。雖然蘋果已經(jīng)遠(yuǎn)離外設(shè)業(yè)務(wù)，不代表它未來(lái)某一天不會(huì)回來(lái)，它可能會(huì)推出高頻版A11 Bionic，裝進(jìn)附件，手機(jī)對(duì)TDP有要求，對(duì)外形有要求，附件不會(huì)有這樣的要求。