手机AI芯片大盘点，谁最强？

　　手机AI芯片大盘点，谁最强？  2019-03-08
　　为了改善电脑系统在资料处理上的效能，科学家将主意打到了人类的神经网络上。这个念头并不是神来一笔，而是观察到人类的脑神经在处理视觉、听觉和语言方面，有非常卓越的表现。
　　这种参考人类神经元结构所产生的资料处理程序，被称为「类神经网络」或者「人工神经网络（Artificial Neural Network，ANN）」，它就是一种模仿生物神经网络结构和功能的数学模型的演算法。
　　ANN技术其实已问世超过50年，且不断的进行改良和突破，例如卷积类神经网络（Convolutional Neural Networks，CNN）就是相当著名的一支，由于它的结构简单易用，因此发展迅速，并被广泛的运用在大型图像的处理上。
　　到了近几年，随着芯片技术的突破和人工智能应用的崛起，让神经网络技术又进一步受到重视。目前主要的推力则是机器学习（Machine Learning），它是人工智能的基础所在，而机器学习的核心是基于神经网络的多层资料处理技术的「深度神经网络（Deep Neural Network）」，也因此，想办法来提升神经网络资料处理的效能，就成了目前各家终端产品设计的突破点。
　　而眼前，最火热的战场，就是智能型手机。
　　神经网络智能手机的新卖点
　　神经网络运算有多项优势，包含平行处理、内容定址记忆、容错特性、能处理一般演算法难以胜任的问题等，因此很适合运用在经常需要处理非常复杂的任务的应用上，而手机就是一个这样的产品。
　　智能手机是当代人们每天都要随身的电子装置，它不仅时时要能连线上网，而且经常会同时开启多个App软件，影像和语音的处理更是家常便饭。而随着人工智能功能的导入，更让手机功能的优化与执行变得复杂，此时，神经网络技术就成了最好的解决方案之一。
　　由于神经网络技术具有自我学习的能力，能学习使用者的操作特性，并设定出一个最佳的输入和输出的路径。因此一旦学习完成之后，后续的各项操作皆能相对以往的软件程序快上不少，对于使用者体验有大幅的改善。
　　目前主要的手机处理芯片供应商也已经在其解决方案中，加入了神经网络处理器的技术。
　　苹果Bionic处理器加入神经网络引擎
　　苹果的iPhone就是最著名的产品。苹果在2017年的iPhone A11 Bionic处理器上首度加入了神经网络处理引擎（Neural Engine）的技术。根据苹果的资料，这个神经网络引擎是一个双核的设计，每秒运算次数最高可达6000亿次，能大幅提升机器学习的效能。
　　图一: 苹果最新的A12处理器，神经网络引擎的核心数已达8个。（source: Apple）
　　而实际的使用情形也证实苹果所言不假，神经网络处理技术的的确确让机器学习有了脱胎换骨的表现。也因此，苹果最新一代的处理器A12更进一步增强了神经网络处理单元的性能，更正确的说，是增加了4倍。
　　在硬件设计上，苹果的神经网络引擎是透过一块FPGA区域来达成，因此在机器学习性能上有很强的自定义能力。而在最新使用7纳米制程的A12处理器上，神经网络引擎的核心数已达8个（A11是双核），且每秒可进行5万亿次运算（约8.33倍），至于执行Core ML的速度则是上一代的9倍，但功耗却只有前代的十分之一。
　　图二: 各家芯片商的神经网络运算技术比较。
　　也因为如此，采用A12处理器的iPhone学习能力惊人，除了能快速甚至即时的运行各项应用程式外，更能够迅速的辨认模式并做出预测，且不断的进行改良，堪称是当代最聪明的智能型手机。也由于新的处理器，iPhone在智能语音和影像辨识的能力有了绝伦的表现。
　　高通骁龙NPE技术以DSP突破运算性能
　　神经网络技术的优势明显，各家手机处理器芯片商当然也就陆续投入相关的技术研发，高通（Qualcomm）就是其中一个。旗下的骁龙（Snapdragon）处理器就已经搭载了神经网络处理引擎（Neural Processing Engine; NPE）技术。
　　图三: 高通Hexagon DSP神经网络执行性能，相比在CPU上执行，能快出5至8倍。（source: 高通）
　　根据高通的资料，骁龙的NPE是一种整合了多种软硬件的元件，用来加速终端装置上（on-device）的AI功能，以改善使用者的体验，但原则上，高通的NPE是以软件为中心（software-centric）的解决方案。
　　而在软件架构上，高通的NPE是属于开放的架构，能支援多种神经网络的框架，包含Tensorflow、Caffe、Caffe2和ONNX，此外，高通也开发了自有的Hexagon Neural Network（NN）函式库，让开发者可以让其AI演算法在骁龙处理器里的Hexagon DSP上执行。
　　而在最新一代的骁龙处理器855上，NPE已经发展到了第四代，其效能已较第三代有3倍的成长，可对影像、影音、AR/VR与游戏等智能功能进一步优化。只不过高通并没有具体的说明其NPE的技术细节，硬件的架构也不得而知，也没有解释为何是在DSP上运行。但依据高通自己的说法，高通的Hexagon DSP 的神经网络执行性能，相比在CPU上执行，能快出5至8倍。
　　联发科曦力处理器加入NeuroPilot与APU技术
　　台湾的联发科技（MediaTek）当然也看到了人工智能在行动装置上的应用商机，自2018年初起，就推出了NeuroPilot的技术，并将之首次运用在其手机处理平台曦力P60上。
　　根据联发科的说法，NeuroPilot是基于他们的核心监控与调节技术CorePilot的进阶版。CorePilot在2014年就已经被开发出来，其主要作用就是动态监控手机多核处理器的每个核心的工作负载量，并加调节和分配，以提高手机运行的性能并降低电耗。
　　到了人工智能时代，联发科也顺势推出了APU技术，并运用在CorePilot所积累的异构运算经验，推出了NeuroPilot平台，作为CPU、GPU和APU间的运作协调，以提升整体的AI运算效能。
　　NeuroPilot平台约可分为三个层级，顶层是各种APP应用程式；中间层为程序编写和异构运算（软件层）；最底层是各种硬件处理器。而其中最关键的就是中间的软件层。
　　联发科指出，中间层主要由演算法软件构成，包括各种软件的API、神经网络运行（NN Runtime）、异构运行（Heterogeneous Runtime）。简单来说，就是所谓的人工智能的运行架构（AI framewrok），以及神经网络的演算法。
　　而联发科的NeuroPilot也是属于开放式的架构，支援目前市面上主流的AI framework，包含TensorFlow、TF Lite、Caffe、Caffe2、Amazon MXNet、Sony NNabla和ONNX等。联发科也提供NeuroPilot SDK，其包含Google神经网络API（Android NN API）和联发科NeuroPilot扩充元件。
　　图四: NeuroPilot平台可分为三个层级，中间层为程序编写和异构运算，是最关键的一层。（source: 联发科）
　　而在硬件方面，除了原本的CPU、GPU外，则是增加了新的人工智能处理器APU，用来提高人工智能应用和神经网络处理的校能。在最新一款的旗舰处理器P90上，联发科的APU已升级至2.0版本，比前一代快上四倍，算力达1127GMACs（电脑定点处理能力的量）。
　　中国海思携手寒武纪主攻NPU技术
　　中国华为旗下的海思半导体（HiSilicon），是手机处理器市场一家快速崛起的IC设计公司，目前屡屡在技术上有领先业界表现。该公司在2017年九月就率先发表了一款采用10纳米制程的智能手机处理器－麒麟（Kirin）970，该处理器是产界首款具有人工智能神经处理元件（NPU）的手机处理芯片。
　　海思的NPU同样是属于AI应用程式的加速处理单元，也就是针对神经网络演算法的处理，特别专注于卷积神经网络（CNN）的应用。根据海思的说法，在相簿模式中，Kirin 970的NPU每秒能处理2,000张照片的处理；若没有NPU介入，单以处理器运算只能处理约100张而已。
　　图五: 最新一代的Kirin 980处理器，其NPU核心数已增加至两个。（source: 海思）
　　据了解，Kirin 970的NPU，是由中国的芯片IP商寒武纪（Cambri0con）所提供，并由海思与寒武纪共同合作进行优化的一个模组。
　　而最新一代的Kirin 980处理器，其NPU核心数已增加至两个。根据华为的资料，双核NPU的性能可达到每分钟处理4,500张图像，较前一代提升了120%的辨识速度。可以快速执行人脸识别，物体侦测与辨识，物体识别，影像分割和智能辨识等人工智能的应用。
　　AI需求成形处理器IP商也加入战场
　　由于神经网络的性能卓越，因此除了IC设计商积极投入研发外，处理器IP供应商自然也开始跨入此一领域，包含前段所提到的中国寒武纪之外，以色列的IP商CEVA也开始提供具备神经网络技术的IP方案。
　　CEVA近期所发表的WhisPro就是一款基于神经网络技术的智能语音辨识方案，它采用了可扩展递回神经网络（Recurrent Neural Network）技术，可同时辨识多个触发片语，能运用在智能手机、智能音箱、蓝牙耳机和其他语音设备中。
　　然而有趣的是，虽然神经处器技术的势头已经窜起，但处理器IP的龙头Arm却是动作缓慢，到目前为止，仍未提供任何的神经网络解决方案。虽然Arm也看好人工智能的应用市场，但就是迟迟未把具体的产品曝光。
　　而依据Arm的时程，最快今年第一季才会推出具备人工智能功能的AI处理器－Arm ML CPU。根据Arm的说明，Arm ML处理器也会是一个系列产品，提供多种规格给不同的应用产品，性能范围是1至4 TOP/s，可满足不同的产品需求，包含智能手机、智能手机、智能家居和汽车等。
　　Arm指出，其ML处理器主要有三个部分，一个是MAC引擎，主要是执行卷积云神经网络的运算；第二是可程式的运算引擎，可以支援未来新的运算元和网络；第三是资料管理，用来降低AI运算的功耗。
　　虽然推出的时间晚了，但Arm仍是自信满满，由于其处理器的生态系十分庞大且完整，要后来居上也可能是易如反掌。
　　「我们已经看到机器学习技术正在成熟，市场需求也正在不断增加，我们认为现在是进入市场的最佳时机。」Arm机器学习副总裁Dennis Laudick说。