Hvad Gør AI Chips i Nye Smartphones rent Faktisk Gør?

17
Billede: Huawei

Kunstig intelligens er på vej til din telefon. IPhone X har en Neurale Motor som en del af sin A11 Bionic chip; Huawei Kiri 970 chip har, hvad der kaldes en Neural Processing Unit eller NPU på det; og Pixel 2 har en hemmelighed AI-drevet imaging-chip, som kun blev aktiveret. Så hvad der præcist er disse next-gen-chips, der er designet til at gøre?

Som mobile chipsets er blevet mindre og mere avancerede, de er begyndt at tage på flere arbejdspladser og flere forskellige typer af job. Sag i punkt, integreret grafik—Gpu ‘er nu sidde sammen med Cpu’ er i hjertet af high-end smartphones, håndtering af alle de tunge løft for det visuelle, så de vigtigste processor kan tage en pause eller får travlt med noget andet.

Den nye race af AI chips er meget ens—men denne gang er de pålagte opgaver er at genkende billeder af dit kæledyr, snarere end rendering foto-realistiske FPS baggrunde.

Hvad vi taler om, når vi taler om AI

AI, eller kunstig intelligens, betyder netop det. Udtrykket har en tendens til at flytte sig og udvikle sig over tid, men generelt er det noget, hvor en maskine, der kan vise, at human-style tænkning og argumentation.

En person, der er skjult bag en skærm, der opererer håndtag på en mekanisk robot er kunstig intelligens i bredeste forstand—selvfølgelig dagens AI er langt ud over det, men har en programmør kode svar i et edb-system er bare en mere avanceret version af få den samme endelige resultat (en robot, der fungerer som et menneske).

Google, vis mig nogle hunde. Billede: Screenshot

Som for datalogi og smartphones i lommen, her AI tendens til at være mere snævert defineret. I særdeleshed er det som regel indebærer, machine learning, muligheden for et system til at lære uden for sin oprindelige programmering, og dyb læring, som er en type af machine learning, der forsøger at efterligne den menneskelige hjerne med mange lag af beregningen. Disse lag kaldes neurale netværk, der er baseret på neurale netværk inde i vores hoveder.

Så machine learning kan være i stand til at spotte en spam-meddelelse i din indbakke, der er baseret på spam, det er set før, selv om karakteristika for den indgående e-mail ikke var oprindeligt kodet ind i filteret—det er lært, hvad spam er.

Dyb læring er meget ens, bare mere avanceret og nuanceret, og bedre til visse opgaver, især i computer vision—”deep” bit betyder en hel del mere data, flere lag, og smartere vægtning. Det mest kendte eksempel er at være i stand til at genkende, hvad en hund ser ud som fra en million billeder af hunde.

Almindelig gammel maskine læring, der kunne gøre det samme billede anerkendelse opgave, men det ville tage længere tid, har brug for mere manuel kodning, og ikke være så præcis, især da de mange billeder øget. Med hjælp fra dagens superpowered hardware, dyb læring (en særlig tilgang til machine learning, kan huske), er meget bedre til jobbet.

Apple introducerer sin Neurale Motor. Billede: Apple

Sagt på en anden måde, en machine learning system ville have at vide, at katte havde knurhår til at være i stand til at genkende katte. En dyb learning system vil arbejde ud af, at katte havde knurhår på sin egen.

Husk på, at en AI-ekspert for at kunne skrive en mængde bøger om de begreber, vi har bare dækket af et par stykker, så vi har været nødt til at forenkle det, men det er de grundlæggende ideer, du har brug for at vide.

AI chips på smartphones

Som vi sagde i starten, i det væsentlige, AI chips gør præcis, hvad GPU chips gør det, kun for kunstig intelligens snarere end grafik—med separat rum, hvor beregninger især vigtigt for machine learning og dybe læring kan gennemføres. Som med Gpu ‘ er og 3D-grafik, AI chips give den CPU-tid til at fokusere på andre opgaver, og reducerer batteriets trække på samme tid. I også betyder, at dine data er mere sikre, fordi mindre af det er, at blive sendt til cloud for behandling.

Så hvad betyder det i den virkelige verden? Det betyder, at billed-genkendelse og behandling kunne være en del hurtigere. For eksempel, Huawei hævder, at dets NPU kan udføre billede anerkendelse på 2.000 billeder hvert sekund, som selskabet hævder også er 20 gange hurtigere end det vil tage med en standard CPU.

Huawei Kirin 970 har en dedikeret AI komponent. Billede: Huawei

Mere specifikt, kan det udføre 1.92 teraflops, eller en trillioner floating point operationer per sekund, når du arbejder med 16-bit floating point tal. I modsætning til heltal eller hele tal, decimaltal numre—med decimaler—er afgørende for, at de beregninger, der løber gennem de neurale netværk, der er involveret med dyb læring.

Apple kalder sin AI-chip, en del af A11-Bionic-chip, Neurale Motor. Igen, det er dedikeret til machine learning og dybe læring opgaver—at genkende dit ansigt, genkender din stemme, optagelse animojis, og erkendelse af, hvad du forsøger at ramme i kameraet. Det kan håndtere nogle af 600 milliard operationer per sekund, Apple krav.

App-udviklere kan udnytte dette gennem Core ML, og nem plug-and-play måde at integrere billede anerkendelse og andre AI algoritmer. Core ML kræver ikke iPhone X til at køre, men det Neurale Motor håndterer disse typer af opgaver hurtigere. Som med Huawei chip, den tid bruger på at skubbe alle disse data-behandling til cloud skal blive væsentligt reduceret, teoretisk forbedring af ydeevne og igen mindske belastningen på batteriet.

AI chips, genkende ansigter nu, og meget mere snart. Billede: Apple

Og det er virkelig, hvad disse chips er om: Håndtering af de specifikke typer af programmering opgaver, der machine learning, dyb læring, og neurale netværk stole på, på telefonen, hurtigere end CPU eller GPU kan styre. Når Face ID arbejder i et snuptag, har du sandsynligvis fået det Neurale Motor til at takke.

Er det den fremtid? Vil alle smartphone uundgåeligt komme med dedikeret AI chips i fremtiden? Som den rolle, kunstig intelligens på vores telefoner vokser, svaret er sandsynligvis ja. Qualcomm chips kan allerede bruge bestemte dele af CPU for specifikke AI opgaver, og separat AI chips, er det næste skridt. Lige nu er disse chips bliver kun brugt til en lille underafdeling af opgaver, men deres betydning vil kun vokse.

SHARE