上周，蘋果公司在剛剛落成投入使用的“飛船”新總部（Apple Park）舉行2017年秋季新品發布會，整場發布會基本被iPhone X搶盡了風頭（想采訪一下iPhone 8/8p的心理陰影面積）。
iPhone 8/8p和iPhone X都搭載了蘋果自研的A11 Bionic（仿生）芯片。雖然蘋果全程并沒有在這款芯片上花太多功夫介紹，但我們仍舊知道它集成了一個專用于機器學習的硬件——“神經網絡引擎（Neural Engine）”

可別小看了這塊A11，通過智東西仔細研究發現，它不僅是iPhone X中一眾“黑科技”的來源，而且蘋果為了打造這塊芯片早在9年前就開始了技術布局。
一、參數亮相，跑分爆表了
在介紹A11里專門用于機器學習的“神經網絡引擎”之前，我們先來看看A11的基本參數。
工藝方面，A11采用了臺積電10nm FinFET工藝，集成了43億個晶體管（上一代采用16nm工藝的A10 Fusion集成了33億個晶體管，華為麒麟970則用10nm工藝集成了55億個）。

A11搭載了64位ARMv8-A架構的6核CPU，其中包括2個名為“Monsoon”的性能核（performance core）和4個名為“Mistral”的能效核（high-eggiciency core），性能核比上一代A10里的快了25%，能效核則快了70%。
而且，與A10不同，A11中使用了蘋果自研的第二代新型性能控制器，允許6個CPU內核同時使用，整體性能比上一代快了70%。
至于為什么分為性能核和能效核呢？當手機進行發短信、瀏覽網頁等輕量任務時，系統會選擇調用能耗更低的能效核（high-eggiciency core），而當手機需要運行對計算能力要求更高的軟件時，則需要動用性能核（performance core）進行處理，借此可以有效延長平均電池壽命。搭載了A11的iPhone X在充滿電后，將會比iPhone 7延長2個小時的待機時間。

A11的另外一大亮點就是首次搭載了蘋果自研的GPU，這是一款3核GPU，性能相比A10 Fusion提升30%，只需要一半的功耗就能達到A10的表現。
這是今年4月蘋果宣布和英國GPU設計公司Imagination Technologies“分手”后推出的首款自研GPU，針對AR、沉浸式3D游戲等方面都進行了優化，比A10快了30%。

A11里還集成了蘋果自研的ISP、自研的視頻編解碼器等等。從種種強調的“自研”我們不難發現，蘋果已經越來越強調架構的自主化。
在徹底跟老朋友Imagination Technologies分手后（并且導致人家股價斷崖式下跌70%后），蘋果的下一個自研目標也許會移到基帶技術上，與高通曠日持久的專利訴訟案件算得上是前兆了。
此外，我們也可以從A11在Geekbench的跑分上一窺究竟：在Geekbench中有A11的幾個跑分，其中單核性能最高的是4274，多核性能最高的是10438，而取這些跑分平均值后，單核性能是4169，多核性能是9836。

這是什么概念呢？跟上一代A10的“單核成績3332，多核成績5558”比起來，A11在兩方面的性能有接近30%和50%的飆升。而iPad Pro中的A10X單核性能平均在3900左右，而多核性能是9200左右，依然弱于A11。
而Android陣營的種子選手——高通驍龍835的GeekBench成績為單核2000左右，多核6500左右。
二、A11就是“人工智能芯片”
這次，蘋果在自家的A11 Bionic芯片上搭載了一個專用于機器學習的硬件——“神經網絡引擎（neural engine）”。

現在所謂的手機處理器，比如高通的835、蘋果的A11、麒麟970等，實際上所指的是一個“處理器包”封裝在一起，這個計算包專業一點說叫Soc（System-on-a-Chip），高大上的說法是“計算平臺”；根據分工不同，很多專用功能的處理單元加進來，比如我們最熟悉的是GPU，現在這個包里的獨立單元數量已經越來越大，比如ISP（圖像處理）、Modem（通信模塊）、DSP（數字信號處理）等。
不同的數據進來，交給不同特長的計算模塊來處理將會得到更好的效果、更高的能效比，A11的神經網絡引擎（neural engine）跟麒麟970的NPU一樣，是在手機處理器平臺新加入的一個擅長神經網絡計算的硬件模塊。
而這也是為什么從20nm、16nm、到現在的10nm、以及研發中的7nm，各大芯片設計商、代工商都在拼命把芯片技術往小了做，為的就是在不影響芯片大小的前提下擠進更多的獨立處理單元。

A11的神經網絡引擎采用雙核設計，每秒運算次數最高可達6000億次，相當于0.6TFlops（寒武紀NPU則是1.92TFlops，每秒可以進行19200次浮點運算），以幫助加速人工智能任務，即專門針對Face ID，Animoji和AR應用程序的ASIC（專用集成電路/全定制AI芯片）。
有了神經網絡引擎，蘋果高級副總裁Phil Schiller很有底氣的表示：
“A11 Bionic是一款智能手機到目前為止所能擁有的最強勁、最智能的芯片。而基于ASIC的深度學習，實現了高準確率之外，還能比基于通用芯片（GPU、FPGA）的方案減少功耗。”
不過，蘋果對這款神經網絡引擎的功耗、實測性能等方面都沒有進一步披露。
A11同時也支持Core ML，這是蘋果在今年WWDC開發者大會上推出的一款新型機器學習框架，能讓開發者更方便地將機器學習技術整合到自己的App中。Core ML支持所有主要的神經網絡，如DNN、RNN、CNN等，開發者可以把訓練完成的機器學習模型封裝進App之中。
三、買買買，買出來的AI帝國
從去2010年開始，蘋果就沒有停止過收購人工智能創企的步伐，并且每次給出的都是慣常聲明：“蘋果會不時收購規模較小的科技公司。我們通常不討論目的或計劃。”非常有“事了拂衣去，深藏功與名”的意思。
而且，每個被蘋果收購的公司都會立即關閉對外的產品和服務，像是忽然從世界消失一般。
收購芯片廠商
以芯片為例，早在2008年，蘋果就以2.78億美元收購了2003年成立加州的高性能低功耗處理器制造商PA Semi。
隨后在2010年，蘋果以1.21億美元收購了1997年成立的美國德州半導體邏輯設計公司Intrinsity，專注于設計較少晶體管、低能耗同時具備高性能的處理器。
2011年年底，蘋果又以3900萬美元的價格收購了以色列閃存控制器設計公司Anobit。
2013年8月1日，蘋果收購了成立于2007年的加州半導體公司Passif Semiconductor，其專長于低功耗無線通訊芯片（大膽地猜測一下Apple Watch的芯片技術是不是來自這里）。
其后的2015年底，蘋果再次斥資1820萬美元，收購了一間位于加州圣何塞北部的面積7萬平方英尺（6500平方米）的芯片制造工廠。這座工廠原屬于芯片制造商Maxim Integrated Products，其設施包括了芯片制造工具，而且工廠地址靠近三星半導體公司。
從以上一連串的買買買我們可以看到，蘋果的芯片布局早在近十年前就開始了。

除了芯片之外，從2010年至今，蘋果已經陸續收購了四五十家創企，包括語音識別、圖像/面部識別、計算機視覺、AR、數據挖掘、機器學習、地圖、定位等等，而這其中幾個比較具備代表性的有：
收購面部識別/表情追蹤廠商——Animoji和Face ID的技術來源
2010年，蘋果以2900萬美元收購瑞典面部識別創企Polar Rose，他們開發的面部識別程序可以可以為用戶自動圈出照片中的人臉。
2015年11月，蘋果收購《星球大戰》背后的動作捕捉技術公司Faceshift，這家蘇黎世的創業公司開發了實時追蹤人臉表情，然后再用動畫表現出來的技術。該技術還可以實現面部識別。
2016年1月，蘋果收購了加州AI初創Emollient，該公司使用人工智能技術讀取圖片中的面部表情。
2017年2月，蘋果以200萬美元收購了面部識別以色列創企RealFace，該公司開發了一種獨特的面部識別技術，其中整合人工智能并將人類的感知帶回數字過程。
收購AR引擎巨頭
2015年5月，蘋果收購AR引擎巨頭德國Metaio公司。彼時Metaio與Vuforia并肩稱霸AR引擎行業，Metaio擁有約15萬名開發者，Vuforia則擁有大約18萬，兩家的SDK開發者占到了當時整個市場的95%以上，在AR的行業地位有如Windows和Mac OS之于PC。這個收購舉措，可以看作是ARkit的技術來源。
收購25年德國老牌眼球追蹤企業
而離現在最近的一次收購，就是蘋果今年6月時宣布收購德國老牌眼動追蹤企業SMI（SensoMotoric Instruments）。其歷史要追溯到1991年，SMI從柏林自由大學學術醫療研究院剝離出來，獨自成立眼球追蹤技術公司，迄今已經有超過25年的發展歷史了。產品包括面向企業與研發機構的眼球追蹤設備/應用、醫療醫療眼控輔助設備、手機、電腦、VR設備等的眼控技術支持等。
目前，眼球追蹤技術已經被集成在了iPhone X里。在用Face ID解鎖時，只要你眼睛沒有看著屏幕，屏幕也是不會解鎖的。
四、用來干啥：Face ID背后的結構光學技術
既然是“人工智能芯片”，當然是用來做人工智能——人臉識別、圖像識別、面部表情追蹤、語音識別、NLP、SLAM等等。
而A11的神經網絡引擎第一個重要的應用就是iPhone X的刷臉解鎖——Face ID。
雖然刷臉解鎖并不是什么石破天驚的新技術，但是蘋果的Face ID解鎖跟普通的基于RGB圖像的人臉識別解鎖不同。寒武紀架構研發總監劉少禮博士說：
“我們這次對蘋果A11的AI引擎了解不多，特別是功耗、實測性能等方面蘋果發布會基本沒有提。個人覺得iPhone X這次最大的亮點是距離傳感器，用來支持3D的Face ID，這個功能在業內還是引起了不小震動，后續會給予這功能開發出不少有趣的應用。通過結構光發射器和紅外攝像頭配合，可以捕捉人臉的深度信息，比之前用2D圖像作人臉識別進步了很多。”
根據原理和硬件實現方式的不同，行業內所采用的3D機器視覺主要有三種：結構光、TOF 時間光、雙目立體成像。

三種主流的 3D 視覺方案代表性產品
雙目立體成像方案軟件算法復雜，技術還不成熟；結構光方案技術成熟，功耗低，平面信息分辨率高，但是容易受光照影響，識別距離近；TOF 方案抗干擾性好，識別距離遠，但是平面分辨率低，功耗較大。

綜合來看，結構光方案更加適合消費電子產品前置近距離攝像，可應用于人臉識別 、手勢識別等方面，TOF方案更加適合消費電子產品后置遠距離攝像，可應用于 AR、體感交互等方面。

iPhone X的Face ID采用了人工智能加持的結構光方案：數據采集由該機正面上方的景深感知攝像機（即“劉海兒”，TrueDepth Camera System）完成，其紅外線發射器可以發射3萬個偵測點，利用神經引擎（Neural Engine）將反射回來的數據與儲存在A11芯片隔區內的數據進行對比，實現用戶面部的3D讀取與處理。通過神經網絡訓練的加持，Face ID失誤率僅為百萬分之一，遠小于Touch ID的五萬分之一。
與此同時，iPhone X還具備眼球追蹤功能，在你面對屏幕，但是眼睛沒有看著它的時候，也是不會解鎖的。所以，這樣的人臉解鎖是照片騙不了的。
而且，蘋果的軟件工程高級副總裁Craig Federighi曾表示，“我們不會在用戶注冊Face ID時收集數據，它會保留在你的設備上，不會被發送到云端進行訓練。” 符合蘋果一貫的“用戶隱私為上”理念。

最為神奇的是，用戶面容適應（化妝、佩戴眼鏡、長胡子、隨著年齡增長而變容改變等）過程需要用到的深度學習訓練也是在本地完成的。深度學習分為訓練（Training）和推理/應用（Inference）兩部分，訓練階段所需的計算量比應用階段的要大上許多。
另一方面，計算與訓練的本地化也有助于讓Siri變得更加智能。畢竟有不少人認為由于蘋果對用戶的隱私過于重視，導致Siri發展較慢，競爭對手們后來居上。

此外，在A11的加成下，iPhone X前頭“劉海兒”實現的臉部追蹤技術還可以用于個人定制化表情Animoji（能捕捉并分析 50 多種不同的肌肉運動）、AR濾鏡等，新的互動的方式有望提高用戶的參與度和粘性，提高AR社交平臺的經濟價值。而3D視覺所提供的景深信息和建模能力是現有普通攝像頭無法比擬的。
而iPhone X還搭載了全新陀螺儀和加速計，刷新率達到60 fps，可以實現準確的動作追蹤以及很好的渲染效果。在發布會上，蘋果全球市場營銷高級副總裁Phil Schiller是這么說的：“這是第一款真正為AR打造的智能手機。”
五、火熱的AI芯片產業
當前人工智能芯片主要分為GPU、ASIC、FPGA。代表分別為NVIDIA Tesla系列GPU、Google的TPU、Xilinx的FPGA。此外，Intel還推出了融核芯片Xeon Phi，適用于包括深度學習在內的高性能計算，但目前根據公開消息來看在深度學習方面業內較少使用。

其中，蘋果的A11、寒武紀的A1、谷歌的TPU等都屬于ASIC，也就是專用集成電路。
ASIC（Application Specific Integrated Circuit）。顧名思義，ASIC就是根據特定的需求而專門設計并制造出的芯片，能夠優化芯片架構，針對性的提出神經網絡計算處理的指令集，因而在處理特定任務時，其性能、功耗等方面的表現優于 CPU、GPU 和 FPGA；但ASIC算法框架尚未統一，因此并未成為目前主流的解決方案。

寒武紀1號神經網絡處理器架構

谷歌ASIC產品探索
現有的ASIC包括谷歌的TPU、我國中科院計算所的寒武紀、應用于大疆無人機和海康威視智能攝像頭的Movidius Myriad芯片、曾用于Tesla汽車自動駕駛和ADAS的Mobileye芯片等針對特定算法以及特定框架的全定制AI芯片。
此外，更近一步的的AI芯片前景，大概是IBM的TrueNorth這類的類腦芯片（BPU）。類腦芯片的目的是開發出新的類腦計算機體系結構，會采用憶阻器和 ReRAM 等新器件來提高存儲密度，目前技術遠未成熟。

不同芯片在人工智能計算方面各有所強
結語：我們離手機AI芯片還有多遠？
在蘋果的推動下，專用AI處理單元可能會越來越成為智能手機芯片的發展趨勢。畢竟目前在生物識別、圖形圖像識別、用戶使用習慣學習等方面都越來越依賴機器學習技術，而不太穩定的網絡帶寬（大家記不記得早期Prisma要等好久才能生成圖片）、個人隱私、功耗比等問題也在驅動著手機芯片集成專用AI處理單元的發展。
總的來說，無論是A11還是之前的麒麟970，都是讓AI在手機端開始由軟到硬落地的表現，是人工智能進一步產業化落地的一個典型代表。