凡是看过今年秋季苹果发布会的人都会被苹果A11 Bionic处理器的性能所吸引。从技术角度来看，A11 Bionic处理器所包含的“神经引擎”是其AI功能的基础。虽然目前官方还没有发布更详细的技术分析，但根据已知信息，“神经引擎”加速了一些需要实时响应的“人工智能”相关功能（如语音识别、人脸识别等），使得从而在手机上实现高效计算，从而提升“人工智能”相关功能的用户体验，呈现出更高水平的“人工智能”功能。
AI技术赋能的三维人脸识别更安全比图片人脸识别 那么问题来了，决定人工智能水平的基本要素是什么？其实就是计算能力。2006年，“深度学习”的出现成为爆发的关键人工智能再次成长，正是因为“深度学习”的出现，人工智能技术终于有了实用价值，不再是一个简单的概念。 不过，“深度学习”之所以在2006年取得突破，与云计算、大数据的日益成熟密不可分。这两项技术，前者解决了“深度学习”所需的“廉价”高效的计算能力，后者解决了“深度学习”所需的大规模学习模型。
两者的出现，成功实现了原本不切实际的人工智能技术，这意味着大数据和云计算已经成为人工智能发展中不可或缺的角色。 什么是云计算？什么是大数据？ 如果你只是想了解苹果处理器，可以跳到下一个字幕。这部分只是一个知识科普，目的是为后续讲解设备端计算能力的作用做简单的铺垫。 听了这么多年云计算和大数据，其实很多人并没有认真对待，因为消费者直接接触这两个概念确实很难，但它们确实正在逐渐改变消费者' 的生活方式。
云计算 云计算是将计算分布在大量分布式计算机上，而不是本地计算机或远程服务器上。企业数据中心的运作将更加类似于互联网。
这使得企业能够将资源切换到所需的应用程序并按需访问计算机和存储系统。这就像从古老的单发电机模式转向发电厂的集中供电模式。这意味着算力也可以作为商品流通，就像煤气、水、电一样，易于获取且成本低廉。
最大的区别在于它是通过互联网传输的。 大数据 “大数据”研究机构Gartner给出了这样的定义。“大数据”要求新的处理模式具有更强的决策力、洞察发现力和流程优化能力，以适应海量、高增长率、多元化的信息资产。 大数据技术的战略意义不在于掌握海量数据信息，而在于对这些有意义的数据进行专业处理。
换句话说，如果把大数据比作一个产业，那么这个产业盈利的关键就是提高数据的“加工能力”，通过“加工”实现数据的“增值”。 从技术上讲，大数据和云计算之间的关系就像同一枚硬币的两面密不可分。
大数据无法由单台计算机处理，必须采用分布式计算架构。其特点在于海量数据的挖掘，但必须依赖云计算的分布式处理、分布式数据库、云存储和虚拟化技术。 总之，云计算为大数据的“处理”提供了处理环境，而大数据的“处理”也成为了“深度学习”的基础。云计算与大数据的融合发展，为人工智能及相关技术的实施提供了更加可行的解决方案。
云计算、大数据快速发展，设备上的算力还重要吗？ 既然，在人工智能相关技术的应用中，云计算等新兴的大数据计算方式已经成为主流，那是否意味着设备的计算能力可以被忽略呢？从目前的技术发展进度来看，答案仍然是否定的。 不可否认，云计算带来了更便宜、更高效的计算，但相对而言，要想实现实时传输和瞬时响应，云计算的响应速度就成为最重要的问题。 以现在广泛商用的4G网络为例，传输速度为20Mbps。理想情况下，最大传输速度可计算为100Mbps。
在这样的速度下，设备将收集到的数据传输回后端（数据中心或云端），然后计算将结果传输回设备的总体时间消耗，这与数据的大小直接相关。如果需要实现零延迟回复，数据大小只能是1M。然而，对于人工智能相关技术来说，生成的数据远大于1MB。这样的数据大小，以目前的网络传输速度很难在秒级内传输完毕，导致结果返回给设备的过程中出现巨大的延迟。
一是降低了用户体验，二来往往给用户带来人身威胁。因此，设备上高效的本地计算能力可以帮助数据分析型人工智能功能实现更好的实时响应。 自动驾驶汽车绘制周围环境地图 本地计算在自动驾驶汽车行驶时判断路况方面显然更具优势 例如，在自动驾驶场景中，汽车可以被视为一个设备。当设备（汽车）在高速行驶时实时采集道路信息，并对这些数据进行分析和判断。
显然，在当前的网络配置下，本地执行计算是最快的选择。如果传回云端或数据中心，分析后给出结果，那么在道路上高速行驶的车辆很有可能会因为网络延迟而引发事故。
这太可怕了！失去效率的人工智能似乎也没有那么好。聪明的！这是本末倒置。因此，设备侧高效的计算处理器和加速器是必不可少的硬件配置。为此，英伟达、英特尔等芯片厂商都在努力在自动驾驶领域寻找出路。
以苹果为代表的设备端AI加速器在技术发展的早期已经成为标配 回到智能手机场景也是如此。今年，以华为、苹果为代表的手机厂商也纷纷采用各自自主研发的所谓“AI处理器”，为更多人工智能相关技术在手机上的落地奠定基础。
以Apple A11 Bionic处理器为例。首先，为了保证基本计算能力，A11 CPU采用了六核设计，即2个高性能核心+4个高能效核心，高性能核心运算速度得到提升。
提升25%，高能效核心速度提升70%；其次，自研GPU的能力也得到了提升，从而保证了图形处理的计算速度。对计算机有所了解的朋友一定知道，CPU更适合计算数据类型的信息，而GPU则更适合计算图像、视频类型的数据。
人工智能相关技术计算所需的数据并不是简单的数据类型信息。 ，因此，提高GPU的计算能力，一方面可以给手机带来更好的显示效果，另一方面也提高了移动设备对于图形信息的处理速度，从而提高整体的显示效果。
数据计算能力；最后，“神经引擎”解决方案进一步助力人工智能功能的实现。简单来说，“神经引擎”是专门为服务人工智能（包括语音助手、人脸识别、物体识别等）而设计的加速器。
这类加速器在设备端的应用原理源于人工智能基础算法的人工神经网络，加速器的出现不仅解决了CPU在计算人工智能数据时性能的不足，也消除了计算人工智能数据时CPU性能不足的巨大问题。 GPU在计算人工智能数据时，在功耗方面可以说是目前比较合理的解决方案。 除了苹果，数据显示华为发布的麒麟970似乎也采用了这样的方案设计。目前看来，在人工智能的初步探索阶段，允许人工智能相关技术得以实现的消费电子产品（手机、PC、汽车等）都可以使用“神经引擎”模型来保证实施人工智能相关技术。
功能数据可以直接在设备本地计算，从而保证人工智能相关功能的效率大幅提升，增强其实用性，为消费者带来“真正智能”的智能用户体验。 至于未来 苹果通过人工智能技术实现的动态表情 至于未来会是什么样子，有点难以想象，但笔者认为，当5G网络成功商用时，将进一步增强大数据和云计算能力。改进，然后“深度学习”和其他人工智能应用场景通过网络更好地连接起来。
但即便如此，对于一些相对简单的人工智能功能的实现，在设备本地进行计算仍然是一个不错的选择。