為什麼要給智慧手機專門加入一枚AI晶片？原因其實很簡單。不管是手機、筆記本還是桌上型電腦的處理器，都並不是為機器學習任務所特別設計的。如果強行讓它們去處理這些任務，不僅速度很慢，也會非常耗電。

隨著手機智慧應用越來越多，傳統晶片要麼效能不夠，要麼效率不足，難以支撐人工智慧所需的大規模神經網路運轉。

例如，“谷歌大腦”用了上萬個通用處理器“跑”了數天來學習如何識別貓臉;

“阿爾法狗”和李世石下棋時使用了上千箇中央處理器(CPU)和數百個圖形處理器(GPU)，平均每局電費近3000美元。對於絕大多數智慧需求來說，基於通用處理器的傳統計算機成本高、功耗高、體積大、速度慢，難以接受。

目前迅猛發展的人工智慧，上層的應用都依賴於底層核心能力，而這個核心能力就是人工智慧處理器。如果在晶片上不能突破，人工智慧應用就不可能真正成功。可以說核心晶片是人工智慧時代的戰略制高點。

人工智慧目前採用的深度學習演算法，有海量的資料運算需求，對傳統架構和系統提出了極大挑戰。

深度學習，就是透過演算法給機器設計一個神經網路。這個網路的基本特點，是模仿大腦神經元之間傳遞、處理資訊的模式，從多個角度和層次來觀察、學習、判斷、決策。近年來，這種方法已應用於許多領域，比如人臉識別、語音識別等，是人工智慧領域的熱點研究方向之一。

用於影象處理的GPU晶片因海量資料並行運算能力，被最先引入深度學習。2011年，當時在谷歌就職的吳恩達將英偉達的GPU應用於“谷歌大腦”中，結果表明12個GPU可達到相當於2000個CPU的深度學習效能。之後多家研究機構都基於GPU來加速其深度學習神經網路。

然而，隨著近兩年人工智慧技術的迅速發展，GPU在三個方面顯露出侷限性：無法充分發揮平行計算優勢，硬體結構固定不具備可程式設計性，執行深度學習演算法能效不足。

我們現在的新手機需要AI晶片嗎？

簡單來說，這個問題的答案是否定的。想要在目前的硬體上提高AI服務的執行效果，手機及晶片廠商們需要做的還有很多，還沒有到大規模普及的階段

除非你是真正的高需求使用者，不然就不必糾結於此。

蘋果和華為的新產品之所以配備AI晶片，是因為他們想把自己的產品做得更好而已。

華為可以用它來監控Mate 10在生命週期之內是如何被使用的，並重新分配資源來避免它變得卡頓。而對於蘋果而言，AI晶片可以用來驅動Face ID和動話表情等新功能。

這個問題看起來有些奇怪，但可以肯定的是，有了專門的AI晶片可以減少CPU和GPU的負荷，同時處理資料和任務的速度更快，而且在處理一些AI人工智慧服務的時候，對於雲端的依賴度更低。

但現在手機上的AI技術門類還是比較多，也不是隻有集成了NPU，也就是網路神經引擎晶片的才是AI智慧手機，各家的解決方案還是各具特色。比如高通和谷歌，甚至摩托羅拉都有自己的技術，至於表現如何或許只有支援終端出來後才能看出優劣。

這就是一個自然而然的過程。隨著科學技術的發展，手機的整合度越來越高，手機的功能也越來越多。從一開始的資料處理只需要CPU就可以完成，到後來的圖型的加入所以就有了GPU，再到後來的攝像頭的加入從而產生了ISP。

所以，現在隨著人工智慧，包括物聯網技術和AR技術的加入，就要求手機能有更強大的影象識別和分析能力，這就是加入AI處理單元的原因。