作為一家專注于人工智能產業的媒體，在麒麟970和蘋果A11剛發布時我們也著實興奮了一陣兒，可如今已經過去了一個多月，除了廠商展示參數、媒體狂歡之外，我們似乎還沒聽到其他人聲音。

移動AI會給手機帶來革命性的新體驗嗎？類似麒麟970和蘋果A11這樣的芯片，會成為移動AI最重要的驅動者嗎？為了避免落入空談，我們分別采訪了BAT人工智能業務部、移動端開發、直播產品、深度學習圖像處理四個業務領域的開發者。想知道在他們眼中，移動AI芯片到底是什么模樣。

BAT開發者：模型優勢比端的部署更重要

此前我們已經討論過，在各種App中可以看到大量云端AI的痕跡，自拍美顏、語音助手，AI已經存在于移動設備里。可實際情況往往是機器學習開發者在一端研究算法、處理數據、訓練模型，而移動開發者在另一端負責其他的數據結構和編程等等。兩者之間通過一個云端服務器連接，除此之外少有交集。

提到移動AI時，大部分開發者考慮的是將模型移植到應用程序中，是否會加大安裝包的大小，是否在每次更新模型時都需要上傳更新包通過應用商店審核。

當下很多大企業對AI的追求幾乎是不計成本的，加上唾手可得的大量數據，幾乎要把開發者們“寵壞”。利用海量數據訓練出復雜的模型，時時刻刻都在更新模型試圖讓其更加完善。

對于這些大企業來說，在得到一個讓自己和行業都滿意的模型之前，考慮在哪個端部署似乎有點早。一位來自阿里某智能產品的產品運營告訴我們，相比端與端環境間的比較，他們目前更關心的是把算法模型打磨得更好。

這無形中也體現了AI發展的現狀：從算法為主導到以產品為主導的過渡期，在用戶們用腳投票之前，開發者很難自發地從一個開發環境遷移到另一個開發環境中。尤其是一些掌握著優勢資源的大企業，或許對于他們來說，不安全感來自于算法間的差異，而不是用戶體驗上的細微之處。

歷經轉型的開發者：定制AI的無盡可能

不過一位曾經經歷過PC端到移動端轉型的開發者提示了我們，移動AI或許不僅僅是“離線AI”這么簡單。

在從PC端到移動端遷移的過程中，開發者們發現不同的設備中，用戶的行為是有很大差異的。同樣，即使都是移動設備，手機、平板、智能手表甚至智能音箱等等產品上，用戶的行為依然會產生很大差異。比如在平板中用戶更傾向于打開視頻，而手機中用戶更傾向于打開文字信息等等?？稍谠贫藶橹鞯闹悄芡扑]算法中，這兩種設備的數據常常被混合在一起處理。

當移動設備有了在本地處理的能力，開發者就可以讓推薦算法更好的匹配不同設備。以目前蘋果A11和麒麟970公布的參數看來，將智能推薦這類本身就依托于網絡的算法完全移植到移動端本地，其實意義不大，但把云端推理結果放到移動端本地再次處理，會得到很不一樣的用戶體驗。

這也意味著算法有可能和設備，并且進一步和個人用戶更好地結合起來。通過移動設備豐富的感知能力，地理位置、天氣、光線、使用時長、用戶行程安排，甚至體溫心率等等原本無法輕易獲取的數據，都可以通過本地計算結合到已有的算法模型之中。在擁有移動AI的未來，外賣App會在下雨天把你最愛的火鍋排到推薦流前列，而在公司時則把送餐速度最快的餐品排到前列。

總之，從開發者的角度來看，移動AI最大的價值是在于把原本的“通用AI”變成“定制AI”。

遷移實操開發者：移動AI需要更統一的編程環境

“定制AI”的概念雖然迷人，但真到了開發的實操階段，卻不像想象中那么容易。

一位就職于直播平臺的資深PE工程師告訴我們，目前移動端GPU/AI芯片還是一個較新的概念，API接口較混亂，缺乏編程和計算方式的統一。

就以現在來看，蘋果A11只把GPU能力開放給了CoreML一個框架，而目前大多數開發者采用的都是Tensorflow、Caffe等主流框架。這無疑給未來的遷移造成了影響：開發者究竟要在原有框架上進行“閹割”，還是在CoreML上重新編程？

如果廠商提供較高的抽象層，移動AI開發者只能一個個去配適硬件抽象層。要是廠商傾向于提供底層抽象，就可以由更高層次的抽象屏蔽差異，從而提高開發效率。

尤其是對于Android這類本身生態就比較混亂的系統，開發者很可能受到更多阻礙。

以目前通用的CPU為先例，不同廠商的功耗和發熱控制邏輯不同。同樣的神經網絡，在某一廠商的CPU上可能跑得很順暢，而在另一家廠商的CPU上可能就會觸發過熱保護降頻，最終導致神經網絡的計算性能有劇烈的波動。

所以大部分開發者只敢在產品中嵌入一些計算量比較小的網絡，或者是調用頻率比較低的功能，無法選擇在持續功能里用復發神經網絡。

深度學習開發者：芯片僅僅是移動AI的開始

對于用戶而言，移動AI芯片的出現意味著可以在終端上獲得更好的產品體驗，可對于開發者來說，移動AI卻不能靠芯片一蹴而就。

我們采訪了有著中國版Prisma之稱的深黑科技，其CEO Jason告訴我們，目前大多數移動AI芯片在機器學習做了較為普適性的優化，而對一些特定的計算方式則沒有進行太多優化。比如深度學習中需要的卷積計算，當前更適合部署在云端。

并且在計劃從云端到終端的遷移時，開發者還會受制于原本的框架。像Tensorflow就很容易支持iOS和Android上的部署，讓遷移變得更加容易。可像Caffe、Torch這樣基于小團隊的框架，在產品化上相對乏力，目前還無法幫助開發者將代碼遷移到兩個移動端。這也給了Tensorflow更多的優勢，尤其是在消費級應用之上。

移動AI芯片不能解決所有問題，但很多團隊正在試圖從軟件方面加速移動AI的部署。在今年剛剛拿到融資的美國西雅圖的AI創業公司xnor.ai，他們利用二值化神經網絡減小神經網絡模型的儲存大小，從而加快運算速度、降低計算成本。最終實現不依賴網絡，在嵌入式設備中部署深度學習模型。

硬件的出現，只是移動AI生態的一塊基石。進入業務層面，還要考慮API配適、軟件優化，甚至未來可能出現的5G網絡等等。

所以，移動AI芯片沒什么用處？

和開發者們交流過后，我們開始思考：對于他們而言，移動AI芯片的出現到底意味著什么？雖然硬件的出現不代表立刻建立起生態圈，但手機廠商對移動AI的押注無疑給了大多數開發者信心，讓更多人加入這一領域。

更重要的是，移動AI芯片給了開發者推出輕量級產品的可能不必擔心云計算資源的使用資費、也不必擔心用戶量增長帶來的服務器宕機?？梢哉f移動AI芯片的出現降低了消費級AI應用的準入門檻。

回到兩款移動AI芯片上。蘋果A11性能上的弱勢不明顯，可僅僅把GPU能力開放給CoreML和Metal 2（一款應用于游戲的圖形處理軟件）的做法明顯降低了很多開發者的熱情。這樣的做法進一步鞏固了iOS生態的完整和穩定，但更適用于高門檻定制化開發。

蘋果這樣的選擇雖然挑不出錯，但也很難心悅誠服地說是正確的。畢竟“完整穩定”和“畫地自限”的區別只在一線之間。相對而言，如果麒麟970可以率先向更多框架和軟件開放NPU算力，想必也會吸引更多的開發者。

當然，每個開發者寫下自己第一行代碼時，想到的絕不是去紐交所敲鐘，而是憑著天生的好奇，第一次嘗試和一個未知的世界對話。如果移動AI芯片可以讓開發者們暫時放下無休止的需求，用第一次寫代碼時的熱情去探索移動AI，不管對于芯片廠商還是人工智能產業而言，都是彌足珍貴的收獲。

或許這正是移動AI芯片的最大意義：硬件不能解決一切問題，但可以讓更多的開發者參與其中。