首先我們看一下，之前手機也好，電腦也罷，除了讀寫之外，其餘的計算能力全部交給了CPU來處理，而顯示卡之只負責影象的處理以及渲染！而手機由於體型的限制，不能像電腦那樣增加一個顯示卡吧，所以在幾年前就提出了GPU這個晶片的加入！專門負責影象的渲染來減輕CPU的壓力！但是隨著人工智慧到來，我們發現電腦，手機很笨，不夠智慧，只能透過使用者給一個指令，去完成一個指令！不能根據使用者的習慣和愛好，自己去總結學習！也就是“機器學習”，而如果用傳統的方法去給CPU上面增加上千個單獨計算單元的話，是不可能的，這樣無疑會增加CPU的負荷和終端智慧裝置得運算速度！隨之而來的發熱損耗都是巨大的。

而如今的AI晶片，如果加入之後，效果就不一樣了，會使CPU的很多壓力釋放出來，而且晶片體積小，單獨計算能力強，都適合現在越來越輕薄的概念！在蘋果和華為的處理方案中，它並不是一個單獨的晶片，而是屬於更大的系統級晶片SoC（System-on-a-Chip）當中的一部分，比如蘋果的A11 Bionic。SoC當中還包含有其它元件，比如用於渲染圖形的GPU。

華為最新的麒麟970晶片也有自己的神經處理引擎。由上面這些，我們可以看出來專門的AI硬體理論上可以更好地提升手機效能和續航。而且對於隱私性和安全性也有很大的幫助。

許多”機器學習“服務實際上都是將你的資料傳送到“雲端“，再做分析處理。而像谷歌和蘋果這樣的公司，已經想出辦法讓這些任務在手機上就能完成，但目前還沒有被廣泛使用。將專門的處理晶片安裝到裝置當中，可以極大地降低資料洩露和駭客入侵的風險。

另外，當你不用將資料每時每刻都上傳到雲端做分析時，這就意味著使用者可以離線訪問服務或儲存資料。後者對開發人員而言可能是一個福音，因為如果分析是在本地進行的，那麼人們就可以節省用於支付伺服器的相關費用。隨著這些硬體的不斷髮展，每個人都將從中獲益。 這些東西已經可以用了麼？ 這一點有些複雜，因為當前只是手機擁有了AI晶片，但是想要真正使用到它還是要依賴於開發者去製作出相關功能和服務的app。 例如，蘋果和華為兩家公司都提供了自己的API，來讓開發者在製作app時能夠用到這些“神經引擎”。在他們使用這些API之前，還得確保他們所使用的AI框架也得到了支援才行（比如TensorFlow和Caffe2）。

如果沒有，那就得花時間去轉換了。 Gartner的技術分析師AnthonyMullen稱：”這些技術目前還並不適合小公司使用。因為在人們對於這種複雜的硬體開發之前，製造商往往都會與一些第三方的大公司合作。”這也就是為什麼微軟正在與華為合作，來確保其最新開發的翻譯軟體能夠透過華為的“NPU”（神經處理單元）實現離線執行的原因。 雖然像微軟這樣的大公司能夠負擔得起由於開發所耗費的時間，但是否值得每一個小型app的開發人員在這上面付出時間與精力，這一點還尚不清楚。對於蘋果開發者而言，他們可以使用由蘋果公司提供的“Core ML”框架來開發相應的app；所以不必擔心，這些晶片和手機架構不匹配的問題，因為那是手機廠商解決的事情，我們考慮的是選擇哪一款終端更友好，更智慧，更愛不釋手！

所以說隨著人工智慧的到來，這些各種功能的晶片將是最好的選擇。還有問題描述所講的把資料放到雲上面，不是像你說的那樣，用自己網路去雲上面下載，而是使用者根本不知道自己的資料在雲端，直接就是使用的！但是放到雲端只是解決資料的存放和資料處理速度而已，對於以後更加智慧的終端體驗還是需要晶片起至關重要的作用！

題主提到的5G到來之後可以把一些計算工作比如影象渲染交給雲端處理，這個是正確的思路，等5G到來的時候一定會出現。

但是即使大運算量工作可以交給雲端處理，本地仍然需要CPU來排程終端應用，接受文字音訊影片輸入，從雲端收發資料，而且5G資料量很大，所以CPU的工作負荷相比現在的手機仍然提高很多。

另外，萬物互聯時代所有終端都要聯網，就需要基帶晶片。基帶晶片技術複雜，現在主要提供商只有高通、海思、聯發科三家。

終端中需要的晶片其實有很多型別，CPU、基帶、WiFi、藍芽、GPU等等，把它們可靠整合起來難度很大，因為終端晶片要求面積小、功耗低。

總之，即使5G時代可以把很大一部分運算放到雲端，終端本身的晶片仍然很重要，仍然是核心技術。