SoC中所謂AI加速核其實就是針對主流的機器學習演算法所具有的一定特徵，從計算層面對其中的運算過程，透過並行化處理進行加速。

那麼AI核為什麼能夠實現加速呢？

這裡就要引入一些通用計算與專用計算的概念了。傳統通用計算處理核心CPU，其執行指令過程中，雖然不同的架構有不同的方式，但都具有以下三個過程：取指、譯碼、執行。對於任意一條指令，即便起操作與上一條指令相同，只是資料不同，也同樣需要經歷這樣幾個步驟。由於通用計算需要支援很多不同的指令，因此具有極其複雜的電路結構，即便當下CPU核心普遍具有多發射/多級流水技術，也都支援SIMD操作，其能夠並行處理的資料量十分有限。換句話說，CPU太過強大不適合用來處理這種大規模、但是操作簡單的計算。

而專用晶片ASIC其內部電路結構是針對某種特定的計算方式而特製的，其電路驅動方式也由CPU的指令流驅動轉變為資料流驅動，內部電路能夠針對這種計算方式做針對性最佳化，晶片的吞吐率和算力對這種資料流而言，較CPU呈幾何倍數的提升。

當然，還有一種方式就是可重構計算了。可重構計算陣列由配置流指令驅動，只要結構設計合理，對SIMD操作同樣可以具有很好的效能/效率。

再回到AI演算法。

當下所採用的AI演算法普遍基於大規模的矩陣運算，矩陣運算的特點就是運算元巨大，但其計算簡單且單一，具有十分鮮明的結構特點，因此十分適合採用脫離出傳統CPU、GPU架構的方式，採用並行化處理的方式去計算。因此在人工智慧領域，AI演算法基本上不可能在CPU上實現，絕大多數演算法的訓練都是在一些高階顯示卡以及一些基於FPGA專用的加速晶片去完成的。

因此，在手機端無法負擔如此巨大的功耗限制下，採用基於AISC思路的特殊架構，如麒麟980/990，去提升計算效率的方案得到了普遍的採用。麒麟990達芬奇架構能夠支援超過300個AI運算元，能夠對很多經典、常用AI演算法實現硬體級加速。

從作業系統層面，針對AI加速核所提供的API可以被任何應用程式所使用，如題主提到的人臉識別但又不僅僅局在這個領域。AI核提供的是一種算力，任何基於人工智慧演算法的應用都能夠得到加速，如系統級的使用者習慣學習、小藝/小愛同學/Bixby等智慧助手的學習、輸入法自動聯想、自動修圖、自動分類、AI攝影場景最佳化等等，都能夠透過這樣硬體級加速去提升使用者的使用體驗。

從另一種角度去思考，AI算力也為一門尚未得到全面發展的學科：計算攝像學，提供了必要的支撐，從而使得手機攝影質量的提升不再像傳統影像裝置一樣，僅僅停留在硬體層面，順著“底大一級壓死人”的思路去提升效果。各種降噪演算法、運動補償演算法、摳圖演算法、邊緣最佳化、畫素補償演算法，甚至是小到色彩最佳化演算法、AI場景識別的應用、包括蘋果的Deep Fusion，都是基於這樣一種能夠提供強大的人工智慧算力的晶片去實現的。說到這裡就必須要提一下Google去年的Pixel 3L，Pixel3雖然採用了單攝，但其憑藉出色的演算法最佳化，做到了在某些不依賴於焦段的場景下，優於大部分雙攝、甚至三攝手機的拍攝質量和摳圖效果。Pixel 3L在拍攝時所使用到演算法，多到連驍龍845都不足以提供支撐的程度，還在主機板額外集成了一顆加速核來提供算力支撐。和蘋果今年的三攝系統一樣，這是一種影像領域的探索與嘗試，也是一種人工智慧的深度應用，是值得敬佩和學習的。

因此，如你所見，AI核給手機帶來的不是噱頭，不是AI換臉、AI修圖，也不是像科幻電影那樣強大到成為一個實體的存在，更重要的是帶來了一種透過機器學習去提升使用者體驗的思路，使得手機成為你生活的幫手，而不僅僅是一個工具。

人工智慧（Artificial Intelligence），英文縮寫為AI。

目前AI主要用在：

影象識別

語音識別

模式識別

深度學習

判斷使用者行為

SoC中的所謂AI加速，其實就是針對機器學習演算法所具有的一定特徵，從計算層面對其中的運算過程，透過並行化處理進行加速。

其實AI也可以CPU來運算，但是划不來。CPU效能很強悍，相應的功耗也大一些。並且做為中心處理器，要做的事情很多。而AI類的資料是矩陣形式的，資料量大，需要分析的演算法相對固定，這樣在soc上專門集成了一塊NPU單元，單獨快速分析深化使用者操作習慣。

華為、APPLE、聯發科等主流手機晶片都集成了NPU處理AI，華為990/980、Apple A12/A13、高通驍龍845/855等。麒麟9905G的AI效能堪稱最強移動AI處理器，ETH3.0跑分高達76206分，達到了高通驍龍855的2.78倍。

目前AI效能的強弱最好體現的就是在影象識別，也是目前AI使用最典型的場景。這個是因為AI並沒有統一一些介面，沒有統一的規範，各個廠家根據自己NPU的特點開發一些基礎的功能。

比如華為手機拍照部分的AI功能很豐富很強大：人像 食物 草地 藍天 白雲 瀑布 沙灘 植物 古董 博物館 檔案 都能匹配對應的模式和曝光方式。

原本全英文的網頁，在攝像頭下自動轉變成了中文：

購物模式可以自動找到物品連結：

識別模式可以識別出是什麼物品：

隨著未來各個廠商開發的AI模式越來越多，精細化使用者體驗，未來的AI用途會非常廣泛的。

目前的主流都是在soc內嵌AI處理器，比如海思麒麟和聯發科處理器, 基本兩家都不約而同地增加soc中AI處理器的效能，並已做到領先高通的地位。

那SOC中整合AI處理器的好處是什麼呢？其實最早一開始大家基本也是外掛的形式支援AI處理器，比如早期華為海思麒麟晶片就外掛寒武紀的AI處理晶片晶片，那為何後來都轉入整合呢？原因有二:

1.與SOC整合modem處理器一樣，會使晶片整體體積變小，功耗更少，更易於發揮處理器的效能。

2.AI處理器的技術對SOC廠商來說，技術門檻並不高，用別人的不如用自己的。這也是寒武紀目前最大的危機，被華為拋棄後，市場重心放在哪會是最棘手的問題。

我理解你的問題是：

SOC中的AI晶片起什麼作用？

這是個有意思的問題，也是現在各大手機廠商喜歡宣傳的亮點。

下面我來嘗試以華為第一款整合AI功能的SoC晶片麒麟970為例來解答一下。

SoC，System-on-a-Chip，系統級晶片。SoC上一般集成了手機上最關鍵的部件，比如CPU、GPU、記憶體、還有其他功能晶片去NPU神經網路晶片。

SoC可以理解為多個功能晶片的一個整合封裝。

上圖，華為麒麟970就是一塊典型的SoC晶片，集成了處理器CPU、影象GPU、智慧NPU、影象處理ISP、基帶Modem等功能晶片。

手機功能越做越強，主機板越做越小，體積有限，高整合度的SoC則能很好地提高整合密度，降低廠商開發難度。

AI，Artificial Intelligence，人工智慧。英文縮寫為AI。應用包括機器人、語言識別、影象識別、自然語言處理等等。

圖中的神經網路晶片單元NPU就是AI晶片。

手機智慧化程度越來越高，需要對語言識別，影象處理等多個方面進行功能拓展和加強，專用獨立的AI應運而生。

那麼整合AI晶片具體有啥用呢？GPU和CPU協同工作不是也可以實現深度學習和智慧運算嗎？

有人會說，傳統CPU+GPU能夠實現一定程度的智慧運算，但是效率不高，能耗很高。

具體有沒有AI晶片有啥區別呢？

麒麟 970 的這顆 NPU專門為深度學習而定製，FP16 效能達到了 1.92 TFLOP，差不多是麒麟 960 的 3 倍（0.6 TFLOP 左右）。

華為在釋出會展示了一張在進行 AI 運算時，NPU 和 CPU、GPU 的對比圖。

可以看到，效能上NPU 是 CPU 的 25 倍，GPU 的 6.25 倍，能效比上，NPU 更是達到了 CPU 的 50 倍，GPU 的 6.25 倍。

還提到，在華為內部的測試中，麒麟 970 的 NPU 每分鐘可以識別出 2005 張照片，而不使用 NPU ，使用CPU+GPU組合的話，則每分鐘只能識別 97 張。

這就是現在智慧手機晶片為什麼SoC必須整合AI晶片的原因和作用。

上圖是蘋果A13晶片，我們也可以看到集成了Neural Engine神經引擎，也就是AI晶片功能。

知道了整合AI晶片對手機節能增效有用，那麼具體對手機智慧化應用有哪些意義呢？

（1）影象處理

（2）智慧助手

如蘋果的Siri，安卓的翻譯助手，有了AI晶片加持後，就會效率更高，更加聰明，更加智慧。

（3）AR應用和遊戲

（AR虛擬蘋果總部）

（AR遊戲表情）

AR也是AI晶片的應用場景之一。

相信隨著手機AI晶片的發展，智慧化應用的場景會越來越多。

隨著手機效能的拓展和功能的增強，我們會看到更多、更強大的AI晶片出現在SoC上，這是一種發展趨勢。