在體驗 Pixel 6 Pro 的這段時間裡，除了拍照，我很少有感覺到這台被 Google 稱作「最聰明的 Pixel 手機」有什麼過機之處，直到一個早上，手機鬧鐘把我吵醒。

和普通手機滑動關閉鬧鐘的操作不同，Pixel 6 Pro 提示我可以說「Snooze（再歇一會）」或者「Stop（停止）」來控制鬧鐘，而當我小心翼翼地說出「Stop」後，鬧個不停的手機果然立刻安靜了下來。

這是個微不足道的小功能，卻讓我每個被鬧鐘吵醒的早晨都能保持一個好心情。

我終于再也不用強撐睡意胡亂找手機，隻需要一句話就能讓催命般的手機識趣閉嘴，這是我第一次感覺手機能夠「理解」我。

「聽懂人話」的秘密，就藏在不起眼的 TPU 之中。

同在手機的 SoC 上，NPU 的存在感和 CPU、GPU 比起來總要弱上一大截。

這個專注于神經網絡運算的處理器甚至沒有一個統一的名字：在麒麟芯片上叫 NPU，在 A 系列仿生芯片上叫 神經計算引擎（Neural Engine）；Google 将其命名為 TPU，聯發科又認為用于 AI 計算的它應該叫 APU……

盡管這些芯片的名字五花八門，架構和原理也不盡相同，但它們的目的大抵相似——加速機器學習，提高手機的人工智能計算能力。

如果你有關注手機處理器的性能，你會發現無論是 iPhone 的 A 系列芯片還是 Android 旗艦級的骁龍芯片，在近兩年内 CPU 的算力提升都十分有限，性能「擠牙膏」的現象越來越嚴重。

與之相比，AI 算力成了更多廠商願意提及的參數指标。以 A 系列芯片為例，蘋果的 A14 仿生芯片比上一代有了近乎翻倍的峰值算力提升，每秒可執行運算 11 萬億次。

一年後的 A15 仿生芯片在此基礎上依然能帶來超過 40% 的大幅提升，每秒可執行運算高達 15.8 萬億次。

Android 陣營的 AI 算力進步也非常可觀，在蘇黎世理工大學推出的 AI 性能測試榜上，首次引入 NPU 的麒麟 970 AI 性能跑分為 23600 分，四年後 Google Tensor 芯片以 214700 的高分登頂，而麒麟 9000、骁龍 888 的成績也都達到了 160000 分左右。

既然 AI 算力近乎指數增長，為什麼我們很難感覺到有什麼變化？AI 功能這個聽起來略顯高深的詞是不是離我們太遠了？

▲圖片來自：Gadgetmatch

事實上，你每一次解鎖手機、喚醒語音助手、甚至随手按下快門，都是一次與 AI 計算的親密接觸。

而 NPU 就像一個黑匣子，它讓 AI 的計算過程快得幾乎不存在，讓你察覺不到科技，卻又被更自然的人機交互包圍。Google 語音助理的進化是一個很好的例子。

自 2014 年 Siri 加入「Hey, Siri」的語音喚醒功能後，喚醒詞幾乎和語音助手綁定，每次與語音助手對話，我們都要不厭其煩地叫喚它們的名字：Siri、小愛同學、小布、小藝……如果語音環境很嘈雜，這個尴尬的過程可能還要重複好多次。

▲ 識别喚醒詞的聲紋 圖片來自：Apple

這是因為，出于功耗考慮，手機處理器不能浪費算力長時間在後台解析用戶的每一句話，這時就需要一個低功耗并且隻識别喚醒詞的語音接收器常駐工作。

當收到喚醒詞信号時，才調動主處理器聆聽用戶的下一步指令。

不過，雖然這樣可以實現低功耗語音喚醒，但這距離科幻電影裡 AI 助手随叫随到的理想形态還有點距離，這就像鋼鐵俠在戰鬥前還要說一句「嘿，賈維斯」一樣，人機交互有點别扭。

Google 在 Pixel 6 系列上推出的「快捷指令」功能讓這種存在于科幻電影的自然交互照進了現實。

正如文章開頭提到那樣，通過「快捷指令」用戶不用再喊「OK Google」等的喚醒詞，也能喚醒 Google 助理執行關閉鬧鐘、接聽電話等指定任務。

▲ Google 提出的 VoiceFilter 算法 圖片來自：Google

要在嘈雜的聲音環境下定向分離人聲，手機就需要有更高精度的聲紋識别能力，利用更加複雜的卷積神經網絡算法準确捕捉并識别用戶的口令。

而 Google 專為 AI 計算設計的 TPU 芯片正好滿足了這種 AI 算力需求，這種自然的語音交互最終在 Pixel 6 系列上得以實現。

基于神經處理單元的 NPU 在圖像、語音識别和處理方面比傳統 CPU 效率要高得多，手機廠商由此可以開發出諸多如計算攝影、文字識别等功能，豐富系統的軟件功能。

在蘋果最新的 iOS15 上，不少新特性就是基于神經計算引擎而設計的，例如 FaceTime 加入的空間音頻和人像模式、實時的文本提取和翻譯、相冊直接搜索照片中的文字、Siri 離線運行等。

由于這些功能對 AI 算力有一定的要求，蘋果還強調如果 SoC 芯片不是 A12 仿生往後的型号，那麼即便升級到 iOS15 這些功能都不能體驗。

當智能手機的功能趨同化，所謂的「智能」——發微信、放音樂、拍照、看新聞等等在某種意義上又變回功能。

AI 功能開始成為了我們日常手機體驗重要的一部分，原本被認為無關緊要的 NPU 成了組成系統軟件體驗不可或缺的一部分。

和手機的其他零件相比，NPU 登場的時間要晚得多。

2017 年 9 月華為在柏林 IFA 展發布的麒麟 970 是首顆集成 NPU 的 SoC，同一時期，蘋果發布了首次搭載神經計算引擎的 A11 仿生芯片，兩個陣營對 AI 計算領域的關注出奇同步。

AI 功能的出現看似突兀，但這其實是智能手機形态發展過程中自然演化的結果。

《連線》雜志與蘋果副總裁 Tim Millet 關于 A 系列芯片的訪談中提到，在 iPhone X 發布的數年前，蘋果的一些工程師就提出了利用機器學習算法讓 iPhone 的攝像頭變得更智能的想法。

正是這個想法，讓定義了 iPhone 未來十年形态的 iPhone X 有了落地的可能。轉向全面屏的 iPhone X 需要一個新的安全機制取代原本占據下巴的 Touch ID，并且在準确度、解鎖速度都不能落後前者，為了實現這些點，蘋果轉向了 3D 結構光面容識别。

每次點亮 iPhone 進行解鎖，位于劉海中的深感攝像頭都會通過成千上萬個點創建一個深度圖，與儲存的人臉數據比對完成解鎖，而這個收集、創建、校對的過程需要控制在瞬息之間，更重要的是，功耗必須控制在一個足夠低的水平。

根據蘋果公布的數據，iPhone 用戶每日平均解鎖次數為 80 次，如果每次解鎖都要調動 CPU 或 GPU 做高功耗的圖形運算，對手機續航而言會是個相當大的挑戰。

▲ 機器學習的過程

而多核架構的神經計算引擎可以同時執行大量運算，并且經過深度機器學習，它可以像人腦一樣識别和判斷人面信息，利用它實現人臉識别在功耗和性能上比傳統 CPU 都有着不小的優勢。

「如果沒有神經計算引擎，我們不可能做到這一點」，Tim Millet 在訪談中提到。

随着核心數的增多，神經計算引擎算力也會随之大幅提升，其應用也越來越廣。

例如 A13 仿生芯片的 8 核神經計算引擎為 iPhone11 系列帶來了 Deep Fusion 和夜景模式功能，通過多張融合提升照片的清晰度和細節；A14 仿生芯片的神經計算引擎提升到了 16 核，能夠在拍攝時同時調用多枚攝像頭，實現順滑的變焦體驗。

▲ A15 仿生芯片和 A14 仿生芯片的剖析圖，神經計算引擎集中在左下角

總的來說，神經計算引擎等 NPU 的出現，可以很好地分擔 CPU 或 GPU 的算力壓力，通過對大數據進行高效的并行分析和計算，提取出有意義的結果，用更自然的處理能力改善我們的體驗。

于蘋果擔任擔任機器學習和人工智能戰略高級副總裁的 John Giannandrea 在一次采訪時曾經提到，他相信在未來幾年内 iOS 或者蘋果軟件生态的所有功能都會被機器學習改變。

我認為蘋果一直代表着創造力和技術的交彙點。當你考慮建立智能體驗時，将應用程序、框架、再到芯片給垂直整合起來非常重要…… 我認為這是一個旅程，這是我們擁有的計算設備的未來，它們變得智能，然後這份智能會隐于無形。

初代 iPhone 用觸摸屏交互、随時随地連接互聯網重新定義了手機，手機自此出現了「功能機」和「智能機」的分支。

當智能手機的功能趨同化，所謂的「智能」——發微信、放音樂、拍照、看新聞等等在某種意義上又變回功能。

▲圖片來自：Gadgetmatch

智能手機需要重新被定義，新的智能應該被解讀為「能夠理解人」的手機，它能識别你看見的世界，聽懂你的每一句指令，根據環境作動态調整，這些都需要 AI 芯片的深度參與。

随着手機硬件供應鍊日趨透明，中高端手機核心配件的差異性變得越來越小，軟件功能得到了越來越多廠商的重視，這就像料理一樣，硬件供應鍊提供了制作一道好菜的「基礎食材」，而想要烹饪出獨此一家的味道，優秀的軟件體驗才是那個關鍵的「調味料」。

如今我們已經擁有足夠清晰屏幕以及能拍攝百米遠風景的攝像頭，但智能手機的體驗并不僅限于常規的顯示、拍照。

它應該讓你同時拍攝多焦段的照片，讓你在拍攝時不用因為匆忙調焦而錯過風景；應該能夠在取景框中就能實時預覽夜景或 HDR 效果，成像時不用再等待；它甚至應該成為一個能夠陪伴你旅行的翻譯器，即便是網絡不佳也能離線完成實時翻譯工作。

AI 是幫我們實現這些功能的不二之選，為了更深度地定制軟件功能，像 Google、OPPO 等更多的手機廠商都開始參與 NPU 芯片的設計，以追趕蘋果、華為等先行者的步伐。

與此同時，強大的 AI 算力也不再是自研芯片玩家的專利，高通骁龍 8 和天玑 9000 都将 AI 算力視為了提升的重點，在 AI 性能跑分都已超越 Google 的 Tensor，三星最近發布的 Exynos 2200 也着重提升了 NPU 性能，帶來翻倍的提升。

芯片巨頭在 AI 性能的集中發力，讓移動端 AI 芯片看起來就像在經曆「新摩爾定律」。

除了性能增長的速度，AI 芯片的普及速度也非常可觀，根據統計機構 Counterpoint 的統計，2017 年内置 AI 芯片的手機數量僅占市場份額的 3%，而 2020 年這個數據已經達到 35%。

在未來還會有更多的手機支持 AI 加速計算，這意味着利用機器學習開發手機應用會變成新的常态，事實上在抖音、微信等國民級 app 上，就已經出現了利用機器學習實現背景模糊、一鍵剪片等 AI 功能。

随着手機廠商和第三方開發的參與，AI 應用經過不斷深化，智能手機的形态可能也會随之發生變化，成為一個為愉悅體驗而生的軟硬件共生體。

屆時，智能手機形态的話語權争奪戰，也将從供應鍊的管理慢慢地向用戶大數據的掌控轉移。

,