一文讀懂AI專核的“身份”

聯發科、華為等通過AI專核或類似的理念來提升芯片的AI能力，無疑押對了移動芯片的未來方向，可能在兩三年後AI專核將是手機芯片不可或缺的組成。

文｜Alter

從2018年的歲初到年尾，人工智能都是手機行業的關鍵詞。

手機廠商忙不迭給用戶灌輸這樣一個認知：AI會讓你的手機更智能，並推出了智能語音助手、面部解鎖、照片智能分類等一系列應用。事實證明，行業趨勢總會導致產業鏈上遊的變革，處於產業鏈頂端的手機芯片也不例外。

蘋果A12和麒麟980都宣稱搭載了NPU單元來增強手機的AI處理能力，高通特意在驍龍845的宣傳中加入了“人工智能”的標簽，三星剛推出的Exynos 9820成為首個集成NPU單元的Exynos系列芯片，聯發科則在Helio P70中強調了“AI專核”的概念……

如果你不是一位IC領域的專家，看到NPU、AI專核等一系列概念後勢必會一頭霧水，AI專核到底是什麽，又扮演了什麽樣的角色？這正是本文的初衷。

人工智能芯片到底是什麽？

回答這個問題之前，先來弄明白兩個概念，什麽是CPU和GPU？

簡單來說，CPU就是手機的“大腦”，也是手機正常運行的“總指揮官”。GPU被翻譯成圖形處理器，主要工作確實是影像處理。

再來說說CPU和GPU之間的分工，CPU遵循的是馮諾依曼架構，核心就是“存儲程式，順序執行”，就像是做事一板一眼的管家，什麽事情都要一步一步來。假如你讓CPU去種一棵樹，挖坑、澆水、植樹、封土等工作都要獨自一步一步進行。

如果讓GPU去種一棵樹的話，會喊來小A、小B、小C等一同來完成，把挖坑、澆水、植樹、封土等工作分割成不同的子任務。這是因為GPU執行的是並行運算，即把一個問題分解成若乾個部分，各部分由獨立的計算單元去完成。恰好影像處理的每一個像素點都需要被計算，與GPU的工作原理不謀而合。

就如同一位知乎大神打的比方：CPU像是老教授，積分、微分什麽都會算，但有些工作是計算大量一百以內的加減乘除，最好的方法當然不是讓老教授挨個算下去，而是雇上幾十個小學生把任務分配下去。這就是CPU和GPU的分工，CPU負責大型運算，GPU為影像處理而生，從電腦到智能手機都是如此。

但當人工智能的需求出現後，CPU和GPU的分工就出現了問題，人工智能終端的深度學習和傳統計算不同，借由後台預先從大量訓練數據中總結出規律，得到可以給人工智能終端判定的參數，比如訓練樣本是人臉影像數據，實現的功能在終端上就是人臉識別。

CPU往往需要數百甚至上千條指令才能完成一個神經元的處理，無法支撐起大規模的並行運算，而手機上的GPU又需要處理各種應用的影像處理需求。強行使用CPU和GPU進行人工智能任務，結果普遍是效率低下、發熱嚴重。

這就需要高通、聯發科們拿出解決方案出來，不那麽湊巧的是，各家移動芯片大廠的解決思路還不太一樣。

高通目前商用的旗艦處理器是驍龍845，搭載了Adreno 630 GPU，相比於上一代的驍龍835，AI處理能力提升了3倍，並且支持多個平台的神經網絡系統。可能是出於對GPU性能的自信，又或許是沒有意識到AI需求的來臨，高通並沒有獨立的AI運算單元，仍然是依靠CPU、GPU、DSP等來兼職處理AI需求。

聯發科一直都是被低估的玩家，所給出的解決方案和谷歌的TPU有些類似，使用了ASIC（專用集成電路）的形式，打造了專門處理人工智能需求的AI專核，成為整合在HelioP60、Helio P70等芯片中的一小塊IP。AI專核的優點在於運行速度快、功耗低，可以和CPU、GPU進行協同分工，CPU負責大型運算，GPU承擔影像處理，AI專核負責深度學習相關的場景。

文初所提到的NPU，翻譯成中文就是神經網絡處理器，即蘋果A12、麒麟980和Exynos 9820提供的解決方案，其實也是AI專核的一種。通俗來說就是人工智能加速器，因為GPU是基於塊數據處理的，但手機上的AI應用是需要實時處理的，人工智能加速器剛好解決了這個痛點，把深度學習相關的工作接管過來，從而緩解CPU 和GPU 的壓力。

可以看到，蘋果A12、麒麟980、Exynos 9820的NPU單元和AI專核有著相似的原理，將CPU和GPU的計算量分開，諸如面部識別、語音識別等AI相關的任務解除安裝到ASIC上處理，AI專核早已成為一種行業趨勢。

只不過目前“NPU”的概念還沒有完全統一，有些玩家仍以集成多個DSP核心的方式來調動資源的支持，寒武紀的IP在處理mobilenetv1/v2又有一些問題，因此突顯出在這方面，聯發科的步子要邁得更大一些。

AI專核是跨越還是幻想？

用一個“專核”來處理AI場景並非沒有缺陷，比如功能單一、開發時間長、增加芯片的成本、佔據手機空間，大概也是高通沒有選擇這種解決方案的原因。

不過要判斷AI專核是超前的跨越還是無用的幻想，只需要來對比幾個實際的使用場景。

以時下應用最廣泛的AI人臉識別為例，這是一個“掃描檢測”和“結果判斷”的過程，需要在掃描過程中判斷五官坐標定位、人臉屬性識別、人臉特徵提取等，然後在判斷時根據人臉特徵、人臉識別、活體驗證等進行比對。人臉識別並非是純算法方面的事情，還需要涉及到CPU、GPU、VPU、DLA等多個運算單元。

有媒體做過這樣一個對比測試，分別是搭載聯發科Helio P60、高通驍龍845和驍龍710的智能手機進行人臉識別，前者搭載了AI專核，後兩者採用了軟體優化的解決方案，最終人臉識別速度分別是316.5ms、687.5ms和950ms。同樣都定位在中端處理器，聯發科HelioP60的人臉識別速度碾壓了驍龍710，甚至比驍龍845還要節約近一半的時間，AI專核的優勢可見一斑。

為何會出現如此懸殊的差距？人臉識別的過程需要攝影頭先識別出人臉，無論是光線陰暗或者面朝別處，然後精準判斷臉部的特徵點，比如眼睛多大、臉有多長，與已知樣本進行比較，確定這個人是誰。整個過程中需要極高的算力支撐，擁有AI專核的HelioP60自然比CPU、GPU兼職處理的芯片更高效，哪怕是旗艦級的驍龍845。

在AI專核上嘗到了甜頭後，聯發科在HelioP70中繼續更新了AI專核，AI處理能力相比於上一代提升了30%，支持更複雜的AI應用，例如人體姿態識別、 AI 影片編碼、照片實時美化、場景檢測、 AR 功能等等。

舉個例子來說，當一位美妝博主進行直播的時候，HelioP70的一個 APU（聯發科為AI專核的命名）可以進行人臉偵測、實時美顏，另一個 APU 同時在做 HDR 處理以及背景虛化。如果是驍龍845的解決方案，單個DSP需要完成人臉檢測、畫面分割、背景虛化、HDR處理、多幀合成等流程，速度上的差異由此而生。

再比如在拍照方面，一張高動態範圍的HDR圖需要三張12bit的RAW照片合成，然後通過ISP來輸出最佳優化的照片。從拍照到照片輸出是一個極短的時間，對運算量有著很大的要求，也往往會造成2-3秒的延時。但HelioP70的雙核APU可以雙線程並行加速，不到1秒的時間就可以完成照片優化，比單個DSP的處理效率更高。

不只是聯發科，華為也在麒麟980的發布會上不吝筆墨地展示了雙核NPU在AI方面的優勢，集中體現在影像和影片的處理上。比如說在物體的識別上，從以前識別到輪廓，到現在識別到細節；在實時的物體分割上，從過去略微粗放的場景劃分，到現在的精細劃分。同時麒麟980還允許實時“跟蹤”多個對象，每分鐘影像識別達到4500張，還支持在影片中“換背景”。

此外，AI專核的另一大優勢恐怕就是在續航上，至少蘋果、華為、聯發科都急於證明，並且集中在兩個維度上：

一方面AI專核的價值在於與CPU、GPU進行協同分工，CPU和GPU過多的任務堆疊只會虛耗電量、提高溫度，比如雖然驍龍845的性能很強勁，在AI拍照的時候仍然會有輕微的發熱情況，諸如HelioP70等搭載AI專核的產品並不存在這個問題；

另一方面在AI專核的協同下，可以對用戶行為進行學習，進而對用戶的使用場景進行預測，然後進行合理的性能分配。好比說當你在遊戲時讓CPU高效運算，而當你在看電子書時避免性能浪費。

寫在最後

聯想到我們的實際生活，前兩年對影像處理的需要還局限在美顏上，現在的短影片、直播已經對手機的AI性能表現出了更高的需求，聯發科的AI專核正是為此而生。

可以斷定的是，聯發科、華為等通過AI專核或類似的理念來提升芯片的AI能力，無疑押對了移動芯片的未來方向，可能在兩三年後AI專核將是手機芯片不可或缺的組成，也期待這些芯片大廠們在AI專核上不斷角力，不斷創新，不斷突破。

未經允許請勿轉載到其他公眾號

請給本公眾號留言獲取內容授權