苹果的芯片开发和机器学习有什么关系呢?

简介:

苹果前高管吉恩·路易斯·盖斯(Jean-Louis Gassée)日前发表了一篇名为苹果芯片和机器学习文章,其中分析了 WWDC 芯片、苹果 AR/ML/AI 以及苹果芯片开发之间可能存在的联系。全文如下:上周的 WWDC 大会上,苹果一反往年的惯例,发布重要软件更新的同时,也发布了多款硬件产品。

            今天就让我们来看看苹果的芯片设计团队和他们刚发布的增强现实和机器学习应用开发工具之间的潜在联系。

2013 年 9 月苹果发布首款 64 位 A7 处理器时,行业一片哗然。一名曾经是英特尔公司高管,如今在某家成立已久的硅谷风险投资机构任职的人透露,当年英特尔的竞争分析小组对苹果公司开发64位芯片的事情毫不知情。

其实苹果的 64 位芯片亮相时,苹果的竞争对手和英特尔还是不屑一顾的,后来他们却震惊了:因为苹果不仅仅是在移动芯片的竞争中迎头赶上,超过了他们,苹果还利用自己在硬件和软件方面的控制力,筑起了一道沃伦·巴菲特称为“宽阔的护城河”的防线。

“古时候城堡四周都会建起护城河,以保护城堡安全。因为护城河宽,敌人渡河攻城的难度就越高。所以护城河越宽阔,城堡的防御性能就越强。”

remotesensing-09-00489-g002.png

现在行业已经承认苹果拥有了最强的芯片设计团队,如果不是最强,至少也已经是最强之一。苹果公司最近已经挖来高通工程副总裁伊辛·特齐奥格鲁(Esin Terzioglu)担任无线“片上系统”团队负责人。如今随着苹果旗下的智能手机和平板电脑——硬件和软件——都变成64位设备,苹果的护城河也正式落成,它的影响力不亚于谷歌在搜索领域的影响力,也像曾经Wintel 在行业那般无懈可击。

我想苹果现在应该在建筑另外一道护城河,这次是围绕增强现实、机器视觉和机器学习领域来建设的。

上周的 WWDC 上苹果发布了 ARKit,这个编程框架将支持开发者在他们的应用中整合增强现实功能。苹果的介绍视频也非常引人入胜:小孩的房间变成了“虚拟故事书”,一款已经应用支持用户将虚拟家具放到他们现实生活的起居室里。

很多观察者都指出,在可支持AR的设备方面,苹果已经拥有了最大的安装基数。虽然 Android 用户的人数多于 iPhone 和 iPad 用户人数,可是 Android 软件和硬件却不是互相匹配的。Android 这座城堡的护城河是支离破碎的。目前仅有 7% Android 智能手机运行该操作系统的最新版,而 86% 在用 iPhone 都已经运行 iOS 10,相比之下这个数据自然是要让苹果喜笑颜开了。

苹果还推出了 CoreML,这个应用框架支持将“训练模式”整合到第三方应用中。和 ARKit 不同,苹果并没有关于 CoreML 的演示视频。苹果软件主管兼高级副总裁 Craig Federighi 介绍说,Core ML 的核心是加速在 iPhone、iPad、Apple Watch 上的人工智能任务,支持深度神经网络、循环神经网络、卷积神经网络、支持向量机、树集成、线性模型等。在架构方面,CoreML 就是成熟的机器视觉和自然语音处理应用的基础(如下图):

我们知道这些都将基于 iPhone 和 iPad 运行的 A 处理器上。可是此前彭博社还爆料称,苹果正在开发专门芯片,以支持设备的人工智能特性。

在一台设备中,除了主芯片之外,还有一块辅助芯片,这样的设计是很常见的。这块辅助芯片专门处理一组特定的操作。这类芯片中最早出现的是浮点处理器。科学和技术应用中的高精度浮点运算通常会给CPU造成很大压力,从而影响到设备的速度。有了辅助的浮点处理器之后,这类运算就可以卸载给这类处理器来处理,以确保设备的运行速度。

接下来出现的就是 GPU 图形处理器单元,专门负责图形操作、模拟和游戏。图形密集应用的流行以及用户对快速响应、无延迟互动的响应的需求,现在 GPU 已经是 PC、平板和智能手机中非常常见的一个部分。英伟达等公司也因为推出一系列高性能 GPU 而名利双收。

GPU 硬件资源就尽可能快的速度专门处理一些任务,给CPU 减负。如此,设备才变得越来越强。就像轨道车虽然速度快,但是不如道路车辆方便,所以也不适合在所有道路和城市使用。

目前一些金融机构就是在尝试有这种性能的 GPU 的机器。这种机器中有几百个 GPU,它可以实时执行复杂的预测模式,给他们创造交易优势。

因为需要运行复杂的卷积神经网络和相关 ML/AL 计算,所以很多企业也想到了类似的解决方案。谷歌自主设计了张量处理单元(Tensor Processing Unit:简称 TPU),以更好支持旗下的 TensorFlow 算法。

回到我们在上文说到的苹果 AI 芯片传言,这是一个来自彭博社的爆料,可靠度相对比较高。这款被称为 Apple Neural Engine (苹果神经引擎)的芯片倒是挺符合苹果为软件设计硬件的传统,也应了艾伦·凯(Alan Kay)的那句话:对软件认真的人应该自己设计硬件。

综合苹果在 WWDC 大会上发布的与 ARML 相关的产品,以及 ANE 芯片传闻,我认为苹果现在就是进一步巩固它们的护城河,强化他们的结构竞争优势。



本文转自d1net(转载)

相关实践学习
部署Stable Diffusion玩转AI绘画(GPU云服务器)
本实验通过在ECS上从零开始部署Stable Diffusion来进行AI绘画创作,开启AIGC盲盒。
相关文章
|
10月前
|
人工智能 编解码 算法
使用 PAI-DSW x Free Prompt Editing图像编辑算法,开发个人AIGC绘图小助理
在本教程中,您将学习在阿里云交互式建模平台PAI-DSW x Free Prompt Editing图像编辑算法,开发个人AIGC绘图小助理,实现文本驱动的图像编辑功能单卡即可完成AIGC图片风格变化、背景变化和主体变化等功能。让我们一同开启这场旅程,为您的图像编辑添上无限可能性的翅膀吧。
使用 PAI-DSW x Free Prompt Editing图像编辑算法,开发个人AIGC绘图小助理
|
6月前
|
机器学习/深度学习 算法 算法框架/工具
为什么使用C++进行机器学习开发
C++作为一种高性能语言,在某些性能要求极高或资源受限的场景下也具有非常重要的地位。C++的高效性和对底层硬件的控制能力,使其在大规模机器学习系统中发挥重要作用,尤其是当需要处理大数据或实时响应的系统时。
119 3
|
23天前
|
人工智能 编解码 算法
使用 PAI-DSW x Free Prompt Editing图像编辑算法,开发个人AIGC绘图小助理
使用 PAI-DSW x Free Prompt Editing图像编辑算法,开发个人AIGC绘图小助理
|
2月前
|
存储 分布式计算 算法
企业级推荐开发平台 PAI-Rec
本文介绍了企业推荐系统的关键技术和解决方案。主要内容分为四部分:1) 推荐系统面临的挑战,如数据治理和算法优化;2) 提高开发效率的解决方案,通过配置化和自动化减少重复工作;3) 高性能推荐算法和推理服务,包括GPU优化和特征组合;4) 高效特征管理平台PAI FeatureStore,支持离线和实时特征处理。文中还提到了EasyRecTorch框架,用于加速训练和推理,并分享了如何通过这些工具提升推荐系统的性能和降低成本。
|
4月前
|
机器学习/深度学习 算法 数据挖掘
C语言在机器学习中的应用及其重要性。C语言以其高效性、灵活性和可移植性,适合开发高性能的机器学习算法,尤其在底层算法实现、嵌入式系统和高性能计算中表现突出
本文探讨了C语言在机器学习中的应用及其重要性。C语言以其高效性、灵活性和可移植性,适合开发高性能的机器学习算法,尤其在底层算法实现、嵌入式系统和高性能计算中表现突出。文章还介绍了C语言在知名机器学习库中的作用,以及与Python等语言结合使用的案例,展望了其未来发展的挑战与机遇。
97 1
|
7月前
|
人工智能 编解码 算法
使用PAI-DSW x Free Prompt Editing开发个人AIGC绘图小助理
本文介绍如何借助阿里云PAI-DSW及Free Prompt Editing算法开发个性化AIGC绘图助手,实现图像智能编辑与生成。首先需领取PAI-DSW免费试用资源并创建实例;随后通过运行教程文件完成环境搭建。WebUI界面预设了多种参数供调整,如图像分辨率、编辑层数量等,支持更改图像背景与风格等功能演示。完成实验后应及时清理资源以避免额外费用。此外,参与阿里云开发者社区的“AIGC绘图小助手”活动,不仅可获得免费云资源试用,还有机会赢得桌面折叠风扇、小度智能屏X9等礼品。
|
7月前
|
机器学习/深度学习 Kubernetes Docker
机器学习开发的灵药:Docker容器
机器学习开发的灵药:Docker容器
56 2
|
7月前
|
机器学习/深度学习 人工智能 Linux
【机器学习】Dify:AI智能体开发平台版本升级
【机器学习】Dify:AI智能体开发平台版本升级
565 0
|
9月前
|
机器学习/深度学习 人工智能 Java
Java与AI集成开发:机器学习模型部署
Java与AI集成开发:机器学习模型部署
|
10月前
|
机器学习/深度学习 人工智能 监控
2、【KV260开发】yolov4模型训练、量化、编译、部署
2、【KV260开发】yolov4模型训练、量化、编译、部署
212 0

热门文章

最新文章