[[206731]]

作為一家專注于人工智能產業的媒體，在麒麟970和蘋果A11剛發布時我們也著實興奮了一陣兒，可如今已經過去了一個多月，除了廠商展示參數、媒體狂歡之外，我們似乎還沒聽到其他人聲音。

移動AI會給手機帶來革命性的新體驗嗎？類似麒麟970和蘋果A11這樣的芯片，會成為移動AI最重要的驅動者嗎？為了避免落入空談，我們分別采訪了BAT人工智能業務部、移動端開發、直播產品、深度學習圖像處理四個業務領域的開發者。想知道在他們眼中，移動AI芯片到底是什么模樣。

BAT開發者：模型優勢比端的部署更重要

此前我們已經討論過，在各種App中可以看到大量云端AI的痕跡，自拍美顏、語音助手，AI已經存在于移動設備里。可實際情況往往是機器學習開發者在一端研究算法、處理數據、訓練模型，而移動開發者在另一端負責其他的數據結構和編程等等。兩者之間通過一個云端服務器連接，除此之外少有交集。

[[206732]]

提到移動AI時，大部分開發者考慮的是將模型移植到應用程序中，是否會加大安裝包的大小，是否在每次更新模型時都需要上傳更新包通過應用商店審核。

當下很多大企業對AI的追求幾乎是不計成本的，加上唾手可得的大量數據，幾乎要把開發者們“寵壞”。利用海量數據訓練出復雜的模型，時時刻刻都在更新模型試圖讓其更加完善。

對于這些大企業來說，在得到一個讓自己和行業都滿意的模型之前，考慮在哪個端部署似乎有點早。一位來自阿里某智能產品的產品運營告訴我們， 相比端與端環境間的比較，他們目前更關心的是把算法模型打磨得更好。

這無形中也體現了AI發展的現狀：從算法為主導到以產品為主導的過渡期，在用戶們用腳投票之前，開發者很難自發地從一個開發環境遷移到另一個開發環境中。尤其是一些掌握著優勢資源的大企業，或許對于他們來說，不安全感來自于算法間的差異，而不是用戶體驗上的細微之處。

歷經轉型的開發者：定制AI的無盡可能

不過一位曾經經歷過PC端到移動端轉型的開發者提示了我們，移動AI或許不僅僅是“離線AI”這么簡單。

在從PC端到移動端遷移的過程中，開發者們發現不同的設備中，用戶的行為是有很大差異的。同樣，即使都是移動設備，手機、平板、智能手表甚至智能音箱等等產品上，用戶的行為依然會產生很大差異。比如在平板中用戶更傾向于打開視頻，而手機中用戶更傾向于打開文字信息等等。可在云端為主的智能推薦算法中，這兩種設備的數據常常被混合在一起處理。

[[206733]]

當移動設備有了在本地處理的能力，開發者就可以讓推薦算法更好的匹配不同設備。以目前蘋果A11和麒麟970公布的參數看來， 將智能推薦這類本身就依托于網絡的算法完全移植到移動端本地，其實意義不大，但把云端推理結果放到移動端本地再次處理，會得到很不一樣的用戶體驗。

這也意味著算法有可能和設備，并且進一步和個人用戶更好地結合起來。通過移動設備豐富的感知能力，地理位置、天氣、光線、使用時長、用戶行程安排，甚至體溫心率等等原本無法輕易獲取的數據，都可以通過本地計算結合到已有的算法模型之中。在擁有移動AI的未來，外賣App會在下雨天把你***的火鍋排到推薦流前列，而在公司時則把送餐速度最快的餐品排到前列。

總之，從開發者的角度來看，移動AI***的價值是在于把原本的“通用AI”變成“定制AI”。

遷移實操開發者：移動AI需要更統一的編程環境

“定制AI”的概念雖然迷人，但真到了開發的實操階段，卻不像想象中那么容易。

一位就職于直播平臺的資深PE工程師告訴我們，目前移動端GPU/AI芯片還是一個較新的概念，API接口較混亂，缺乏編程和計算方式的統一。

就以現在來看，蘋果A11只把GPU能力開放給了CoreML一個框架，而目前大多數開發者采用的都是Tensorflow、Caffe等主流框架。這無疑給未來的遷移造成了影響： 開發者究竟要在原有框架上進行“閹割”，還是在CoreML上重新編程？

如果廠商提供較高的抽象層，移動AI開發者只能一個個去配適硬件抽象層。要是廠商傾向于提供底層抽象，就可以由更高層次的抽象屏蔽差異，從而提高開發效率。

[[206734]]

尤其是對于Android這類本身生態就比較混亂的系統，開發者很可能受到更多阻礙。

以目前通用的CPU為先例，不同廠商的功耗和發熱控制邏輯不同。同樣的神經網絡，在某一廠商的CPU上可能跑得很順暢，而在另一家廠商的CPU上可能就會觸發過熱保護降頻，最終導致神經網絡的計算性能有劇烈的波動。

所以大部分開發者只敢在產品中嵌入一些計算量比較小的網絡，或者是調用頻率比較低的功能，無法選擇在持續功能里用復發神經網絡。

深度學習開發者：芯片僅僅是移動AI的開始

對于用戶而言，移動AI芯片的出現意味著可以在終端上獲得更好的產品體驗，可對于開發者來說，移動AI卻不能靠芯片一蹴而就。

[[206735]]

我們采訪了有著中國版Prisma之稱的深黑科技，其CEO Jason告訴我們， 目前大多數移動AI芯片在機器學習做了較為普適性的優化，而對一些特定的計算方式則沒有進行太多優化。比如深度學習中需要的卷積計算，當前更適合部署在云端。

并且在計劃從云端到終端的遷移時，開發者還會受制于原本的框架。像Tensorflow就很容易支持iOS和Android上的部署，讓遷移變得更加容易。可像Caffe、Torch這樣基于小團隊的框架，在產品化上相對乏力，目前還無法幫助開發者將代碼遷移到兩個移動端。這也給了Tensorflow更多的優勢，尤其是在消費級應用之上。

[[206736]]

移動AI芯片不能解決所有問題，但很多團隊正在試圖從軟件方面加速移動AI的部署。在今年剛剛拿到融資的美國西雅圖的AI創業公司xnor.ai，他們利用二值化神經網絡減小神經網絡模型的儲存大小，從而加快運算速度、降低計算成本。最終實現不依賴網絡，在嵌入式設備中部署深度學習模型。

硬件的出現，只是移動AI生態的一塊基石。進入業務層面，還要考慮API配適、軟件優化，甚至未來可能出現的5G網絡等等。

所以，移動AI芯片沒什么用處？

和開發者們交流過后，我們開始思考：對于他們而言，移動AI芯片的出現到底意味著什么？ 雖然硬件的出現不代表立刻建立起生態圈，但手機廠商對移動AI的押注無疑給了大多數開發者信心，讓更多人加入這一領域。

更重要的是， 移動AI芯片給了開發者推出輕量級產品的可能——不必擔心云計算資源的使用資費、也不必擔心用戶量增長帶來的服務器宕機。 可以說移動AI芯片的出現降低了消費級AI應用的準入門檻。

回到兩款移動AI芯片上。蘋果A11性能上的弱勢不明顯，可僅僅把GPU能力開放給CoreML和Metal 2（一款應用于游戲的圖形處理軟件）的做法明顯降低了很多開發者的熱情。這樣的做法進一步鞏固了iOS生態的完整和穩定，但更適用于高門檻定制化開發。

蘋果這樣的選擇雖然挑不出錯，但也很難心悅誠服地說是正確的。畢竟“完整穩定”和“畫地自限”的區別只在一線之間。相對而言，如果麒麟970可以率先向更多框架和軟件開放NPU算力，想必也會吸引更多的開發者。

當然，每個開發者寫下自己***行代碼時，想到的絕不是去紐交所敲鐘，而是憑著天生的好奇，***次嘗試和一個未知的世界對話。如果移動AI芯片可以讓開發者們暫時放下無休止的需求，用***次寫代碼時的熱情去探索移動AI，不管對于芯片廠商還是人工智能產業而言，都是彌足珍貴的收獲。

或許這正是移動AI芯片的***意義： 硬件不能解決一切問題，但可以讓更多的開發者參與其中。

*文章為作者獨立觀點，不代表虎嗅網立場

本文由腦極體 授權 虎嗅網 發表，并經虎嗅網編輯。轉載此文請于文首標明作者姓名，保持文章完整性（包括虎嗅注及其余作者身份信息），并請附上出處（虎嗅網）及本頁鏈接。原文鏈接：http://www.huxiu.com/article/218331.html 未按照規范轉載者，虎嗅保留追究相應責任的權利