蘋果iPhone X上搭載的那顆A11仿生芯片，到底牛在哪？

蘋果iPhone X上搭載的那顆A11仿生芯片，到底牛在哪？

 

上週，蘋果公司在剛剛落成投入使用的「飛船」新總部（Apple Park）舉行2017年秋季新品發佈會，整場發佈會基本被iPhone X搶盡了風頭（想採訪一下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。雖然蘋果全程並無在這款芯片上花太多功夫介紹，但咱們仍舊知道它集成了一個專用於機器學習的硬件——「神經網絡引擎（Neural Engine）」。可別小看了這塊A11，經過智東西仔細研究發現，它不只是iPhone X中一衆「黑科技」的來源，並且蘋果爲了打造這塊芯片早在9年前就開始了技術佈局。

1、參數亮相，跑分爆表了

在介紹A11裏專門用於機器學習的「神經網絡引擎」以前，咱們先來看看A11的基本參數。工藝方面，A11採用了臺積電10nm FinFET工藝，集成了43億個晶體管（上一代採用16nm工藝的A10 Fusion集成了33億個晶體管，華爲麒麟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個名爲「Monsoon」的性能核（performance core）和4個名爲「Mistral」的能效核（high-efficiency core），性能核比上一代A10裏的快了25%，能效核則快了70%。

並且，與A10不一樣，A11中使用了蘋果自研的第二代新型性能控制器，容許6個CPU內核同時使用，總體性能比上一代快了70%。至於爲何分爲性能核和能效核呢？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），而當手機須要運行對計算能力要求更高的軟件時，則須要動用性能核（performance core）進行處理，藉此能夠有效延長平均電池壽命。搭載了A11的iPhone X在充滿電後，將會比iPhone 7延長2個小時的待機時間。A11的另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提高30%，只須要一半的功耗就能達到A10的表現。這是今年4月蘋果宣佈和英國GPU設計公司Imagination Technologies「分手」後推出的首款自研GPU，針對AR、沉浸式3D遊戲等方面都進行了優化，比A10快了30%。A11裏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」咱們不難發現，蘋果已經愈來愈強調架構的自主化。在完全跟老朋友Imagination Technologies分手後（而且致使人家股價斷崖式下跌70%後），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，咱們也能夠從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後，單核性能是4169，多核性能是9836。這是什麼概念呢？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，依然弱於A11。而Android陣營的種子選手——高通驍龍835的GeekBench成績爲單核2000左右，多核6500左右。

2、A11就是「人工智能芯片」

此次，蘋果在自家的A11 Bionic芯片上搭載了一個專用於機器學習的硬件——「神經網絡引擎（neural engine）」。如今所謂的手機處理器，好比高通的83五、蘋果的A十一、麒麟970等，實際上所指的是一個「處理器包」封裝在一塊兒，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」；根據分工不一樣，不少專用功能的處理單元加進來，好比咱們最熟悉的是GPU，如今這個包裏的獨立單元數量已經愈來愈大，好比ISP（圖像處理）、Modem（通訊模塊）、DSP（數字信號處理）等。不一樣的數據進來，交給不一樣特長的計算模塊來處理將會獲得更好的效果、更高的能效比，A11的神經網絡引擎（neural engine）跟麒麟970的NPU同樣，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。而這也是爲何從20nm、16nm、到如今的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作，爲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的神經網絡引擎採用雙核設計，每秒運算次數最高可達6000億次，至關於0.6TFlops（寒武紀NPU則是1.92TFlops，每秒能夠進行19200億次浮點運算），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/全定製AI芯片）。有了神經網絡引擎，蘋果高級副總裁Phil Schiller頗有底氣的表示：

「A11 Bionic是一款智能手機到目前爲止所能擁有的最強勁、最智能的芯片。而基於ASIC的深度學習，實現了高準確率以外，還能比基於通用芯片（GPU、FPGA）的方案減小功耗。」

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本身的App中。Core ML支持全部主要的神經網絡，如DNN、RNN、CNN等，開發者能夠把訓練完成的機器學習模型封裝進App之中。

3、買買買，買出來的AI帝國

從去2010年開始，蘋果就沒有中止過收購人工智能創企的步伐，而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。咱們一般不討論目的或計劃。」很是有「事了拂衣去，深藏功與名」的意思。並且，每一個被蘋果收購的公司都會當即關閉對外的產品和服務，像是突然從世界消失通常。

• 收購芯片廠商

以芯片爲例，早在2008年，蘋果就以2.78億美圓收購了2003年成立加州的高性能低功耗處理器製造商PA Semi。隨後在2010年，蘋果以1.21億美圓收購了1997年成立的美國德州半導體邏輯設計公司Intrinsity，專一於設計較少晶體管、低能耗同時具有高性能的處理器。2011年年末，蘋果又以3900萬美圓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，蘋果收購了成立於2007年的加州半導體公司Passif Semiconductor，其專長於低功耗無線通信芯片（大膽地猜想一下Apple Watch的芯片技術是否是來自這裏）。其後的2015年末，蘋果再次斥資1820萬美圓，收購了一間位於加州聖何塞北部的面積7萬平方英尺（6500平方米）的芯片製造工廠。這座工廠原屬於芯片製造商Maxim Integrated Products，其設施包括了芯片製造工具，並且工廠地址靠近三星半導體公司。從以上一連串的買買買咱們能夠看到，蘋果的芯片佈局早在近十年前就開始了。

除了芯片以外，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有表明性的有：

• 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2900萬美圓收購瑞典面部識別創企Polar Rose，他們開發的面部識別程序能夠能夠爲用戶自動圈出照片中的人臉。2015年11月，蘋果收購《星球大戰》背後的動做捕捉技術公司Faceshift，這家蘇黎世的創業公司開發了實時追蹤人臉表情，而後再用動畫表現出來的技術。該技術還能夠實現面部識別。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200萬美圓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，其中整合人工智能並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並肩稱霸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開發者佔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之於PC。這個收購舉措，能夠看做是ARkit的技術來源。

• 收購25年德國老牌眼球追蹤企業

而離如今最近的一次收購，就是蘋果今年6月時宣佈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裏。在用Face ID解鎖時，只要你眼睛沒有看着屏幕，屏幕也是不會解鎖的。

4、用來幹啥：Face ID背後的結構光學技術

既然是「人工智能芯片」，固然是用來作人工智能——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。雖然刷臉解鎖並非什麼石破天驚的新技術，可是蘋果的Face ID解鎖跟普通的基於RGB圖像的人臉識別解鎖不一樣。寒武紀架構研發總監劉少禮博士說：

「咱們此次對蘋果A11的AI引擎瞭解很少，特別是功耗、實測性能等方面蘋果發佈會基本沒有提。我的以爲iPhone X此次最大的亮點是距離傳感器，用來支持3D的Face ID，這個功能在業內仍是引發了不小震動，後續會給予這功能開發出很多有趣的應用。經過結構光發射器和紅外攝像頭配合，能夠捕捉人臉的深度信息，比以前用2D圖像做人臉識別進步了不少。」

根據原理和硬件實現方式的不一樣，行業內所採用的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視覺方案表明性產品

雙目立體成像方案軟件算法複雜，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，可是容易受光照影響，識別距離近；TOF 方案抗干擾性好，識別距離遠，可是平面分辨率低，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，可應用於人臉識別 、手勢識別等方面，TOF方案更加適合消費電子產品後置遠距離攝像，可應用於 AR、體感交互等方面。

iPhone X的Face ID採用了人工智能加持的結構光方案：數據採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，其紅外線發射器能夠發射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。經過神經網絡訓練的加持，Face ID失誤率僅爲百萬分之一，遠小於Touch ID的五萬分之一。與此同時，iPhone X還具有眼球追蹤功能，在你面對屏幕，可是眼睛沒有看着它的時候，也是不會解鎖的。因此，這樣的人臉解鎖是照片騙不了的。並且，蘋果的軟件工程高級副總裁Craig Federighi曾表示，「咱們不會在用戶註冊Face ID時收集數據，它會保留在你的設備上，不會被髮送到雲端進行訓練。」 符合蘋果一向的「用戶隱私爲上」理念。最爲神奇的是，用戶面容適應（化妝、佩戴眼鏡、長鬍子、隨着年齡增加而變容改變等）過程須要用到的深度學習訓練也是在本地完成的。深度學習分爲訓練（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。另外一方面，計算與訓練的本地化也有助於讓Siri變得更加智能。畢竟有很多人認爲因爲蘋果對用戶的隱私過於重視，致使Siri發展較慢，競爭對手們後來居上。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能夠用於我的定製化表情Animoji（能捕捉並分析 50 多種不一樣的肌肉運動）、AR濾鏡等，新的互動的方式有望提升用戶的參與度和粘性，提升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沒法比擬的。而iPhone X還搭載了全新陀螺儀和加速計，刷新率達到60 fps，能夠實現準確的動做追蹤以及很好的渲染效果。在發佈會上，蘋果全球市場營銷高級副總裁Phil Schiller是這麼說的：「這是第一款真正爲AR打造的智能手機。」

5、火熱的AI芯片產業

當前人工智能芯片主要分爲GPU、ASIC、FPGA。表明分別爲NVIDIA Tesla系列GPU、Google的TPU、Xilinx的FPGA。此外，Intel還推出了融核芯片Xeon Phi，適用於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A十一、寒武紀的A一、谷歌的TPU等都屬於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並製造出的芯片，可以優化芯片架構，針對性的提出神經網絡計算處理的指令集，於是在處理特定任務時，其性能、功耗等方面的表現優於 CPU、GPU 和 FPGA；但ASIC算法框架還沒有統一，所以並未成爲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、應用於大疆無人機和海康威視智能攝像頭的Movidius Myriad芯片、曾用於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製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，會採用憶阻器和 ReRAM 等新器件來提升存儲密度，目前技術遠未成熟。

• ▲不一樣芯片在人工智能計算方面各有所強

結語：咱們離手機AI芯片還有多遠？

在蘋果的推進下，專用AI處理單元可能會愈來愈成爲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愈來愈依賴機器學習技術，而不太穩定的網絡帶寬（你們記不記得早期Prisma要等很久才能生成圖片）、我的隱私、功耗比等問題也在驅動着手機芯片集成專用AI處理單元的發展。總的來講，不管是A11仍是以前的麒麟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表明。

 

關注公衆號：