蘋果披露臉部識(shí)別技術(shù)演變，“非成熟技術(shù)不用原則”貫穿始終

　　從 2007 年推出第一部 iPhone到現(xiàn)在已經(jīng)十年?；仡櫄v年來的 iPhone 產(chǎn)品，很多的新技術(shù)都并非首創(chuàng)，而且蘋果都會(huì)選擇較為成熟的技術(shù)搭載在產(chǎn)品上，以求給消費(fèi)者較好的用戶體驗(yàn)。

　　比如說，真正讓 iPhone 成為業(yè)界標(biāo)桿的觸屏技術(shù)，其實(shí)早在 1999 年摩托羅拉就已經(jīng)推出了搭載觸屏技術(shù)的 A6188;還有從 iPhone 5S 開始使用的指紋識(shí)別技術(shù)，最先也由摩托羅拉在 2011年推出。

　　圖丨摩托羅拉觸屏手機(jī) A6188 及指紋解鎖手機(jī) Atrix 4G

　　當(dāng)年，喬布斯似乎為蘋果定下了非成熟技術(shù)不用的原則，一方面當(dāng)然是為了照顧用戶體驗(yàn)，另一方面，他一直強(qiáng)勢(shì)的認(rèn)為一旦某一技術(shù)搭載在 iPhone 上，就必須成為業(yè)界典范。而事實(shí)也的確如此，從普及智能手機(jī)，到數(shù)個(gè)語音助理Siri，到指紋識(shí)別，到取消3.5mm耳機(jī)插孔，都在某種程度上設(shè)定了新的業(yè)界標(biāo)準(zhǔn)，使得其他手機(jī)廠商紛紛跟進(jìn)。

　　現(xiàn)在，全新的 iPhone 8 及iPhone X 已經(jīng)上市，其面部識(shí)別功能 Face ID無疑是一大亮點(diǎn)。但和往常一樣，這并不是一個(gè)全新的技術(shù)。蘋果早在2013年推出的 iOS 7 中其實(shí)就已經(jīng)整合了相關(guān)的核心功能組件，而其中技術(shù)甚至可以追溯至2001年。但直到 2017 年，蘋果才認(rèn)為這項(xiàng)技術(shù)已經(jīng)成熟，是時(shí)候搭載到最新的 iPhone 產(chǎn)品上了。

　　蘋果機(jī)器學(xué)習(xí)開發(fā)團(tuán)隊(duì)于 16 日發(fā)表了一篇技術(shù)文章，主要是在介紹Vision 這個(gè) API 背后所牽涉到的神經(jīng)網(wǎng)絡(luò)機(jī)制，以及最初如何靠由簡(jiǎn)單的非神經(jīng)網(wǎng)絡(luò)算法，做出人臉識(shí)別的功能。

　　眾所周知，iPhone X 中的 Face ID 功能利用人臉識(shí)別取代過去的指紋識(shí)別，在有效提升便利性之余，也憑借其基于機(jī)器學(xué)習(xí)的核心算法，以及對(duì)臉孔的 3D 掃描機(jī)制，確保手機(jī)能識(shí)別出真正的主人，且隨著使用的時(shí)間增加，手機(jī)對(duì)主人臉孔的熟悉度也會(huì)跟著增加。

　　即便因?yàn)榇餮坨R或者是口罩而識(shí)別不出，甚至是經(jīng)過整容，但只要輸入密碼，手機(jī)就會(huì)把剛剛捕捉到的臉孔特征加進(jìn)學(xué)習(xí)模型中，往后戴一樣的眼鏡或口罩時(shí)，手機(jī)還是可以認(rèn)得你，不必?fù)?dān)心會(huì)有被盜用等安全疑慮。

　　當(dāng)然，密碼還是要保管好!

　　圖丨iPhone X 中的 Face ID 功能演示

　　然而，為了達(dá)到夠高的識(shí)別正確率，蘋果從算法到硬件設(shè)計(jì)，可是花了很多心思。但這個(gè)過程可以回溯到2011 年蘋果在 iOS 5 上發(fā)表的一套圖像識(shí)別框架 Core Image 身上。

　　雖然和 2004 年在 Mac OS X 上的 Core Image 名字完全一樣，但內(nèi)容完全不同，Mac OS X 上的 Core Image 主要就是用來作為圖形處理使用，可在圖形上實(shí)時(shí)套用一般圖像處理軟件可做到的特效濾鏡。

　　蘋果把 Core Image 搬到 iOS 5 上后，隨著操作系統(tǒng)的改版也不斷增加新功能，隨著 2013 年的 iOS 7，蘋果引進(jìn)了CIDetector這個(gè)功能類，而其最重要的核心功能，就是用來進(jìn)行臉部識(shí)別。

　　但這時(shí)的臉孔識(shí)別并沒有太大的商用價(jià)值，因?yàn)橹荒茏R(shí)別是不是人臉，卻無法從人臉特征認(rèn)出本人。后來蘋果轉(zhuǎn)而在 2014 年投入深度學(xué)習(xí)研究，經(jīng)過 3 年的時(shí)間，推出OpenML這個(gè)完整的深度學(xué)習(xí)生態(tài)，以及與之搭配的Neuro engine 硬件 AI 處理單元。且推出首個(gè)基于硬件處理的手機(jī)深度學(xué)習(xí)應(yīng)用Face ID。

　　Face ID的雛形CIDetector，源自 2001 年

　　Core Image 演進(jìn)到 iOS 7.0，其功能包含了 CIImage、CIContex、CIFilter 以及 CIDetecor，而重點(diǎn)中的重點(diǎn)，就是 CIDetecor 這個(gè)功能類了。

　　所以說，當(dāng)iOS 7 引入 CIDetecor 之后，基本上就具備了臉部識(shí)別的能力，但各位可能會(huì)有疑惑，那怎么從 iOS 7 進(jìn)展到 iOS 11，隔了這么久才使出 Face ID 這個(gè)大絕招?

　　既然是大絕招，當(dāng)然前期練功運(yùn)氣的過程不可避免，且 iOS 7 所使用的臉部識(shí)別算法有很大的缺陷，蘋果也認(rèn)為要把這個(gè)技術(shù)用來做高精度的臉孔識(shí)別還為時(shí)過早。

　　實(shí)際上，iOS 7 中 CIDetector 的臉部識(shí)別技術(shù)，使用了 Viola-Jones 這種基于簡(jiǎn)單特征的對(duì)象識(shí)別技術(shù)，此技術(shù)早在 2001 年就由同是畢業(yè)于麻省理工學(xué)院的 PaulViola(目前就職于亞馬遜) 及 Michael Jones(現(xiàn)供職于三菱電機(jī)研究實(shí)驗(yàn)室，MERL)兩人共同提出，基于 AdaBoost 算法，使用 Haar-like 小波特征(簡(jiǎn)稱類 haar 特征，是一種用來描述圖像的數(shù)字特征)和積分圖方法進(jìn)行人臉檢測(cè)。

　　雖然這兩人并非最早使用提出小波特征的研究者，但是他們?cè)O(shè)計(jì)了針對(duì)人臉檢測(cè)更有效的特征，并對(duì) AdaBoost 訓(xùn)練出的強(qiáng)分類器進(jìn)行級(jí)聯(lián)。這可說是人臉檢測(cè)史上里程碑式的一筆，也因此當(dāng)時(shí)提出的這個(gè)算法被稱為Viola-Jones 算法。

　　毫無疑問，對(duì)于 2001 年計(jì)算機(jī)還不是那么普及的時(shí)代背景下，能夠創(chuàng)造出針對(duì)人臉的識(shí)別算法雖有其開創(chuàng)性的意義，但是該算法太過粗糙，采用的特征點(diǎn)數(shù)量太小，因此容易造成誤判，或者是被干擾的狀況。

　　也因?yàn)檫@個(gè)問題，蘋果不敢貿(mào)然把臉部識(shí)別的功能放到產(chǎn)品中，畢竟誤判率太高，對(duì)產(chǎn)品的使用體驗(yàn)會(huì)是嚴(yán)重傷害。

　　圖丨三星面部識(shí)別

　　但還是有不少“勇敢”的廠商直接把這種臉部識(shí)別技術(shù)做到產(chǎn)品中：比如說，微軟的 Surface 平板，以及三星的 Galaxy 手機(jī)和平板，早在 2016 年就先后強(qiáng)調(diào)其集成在產(chǎn)品中的臉部識(shí)別功能。理所當(dāng)然的，其識(shí)別出錯(cuò)機(jī)率高不說，只要拍張賬號(hào)所有人的臉部照片，就可以打印出來讓機(jī)器識(shí)別，并可認(rèn)證通過——可以想象，這樣的安全性表現(xiàn)，自然過不了蘋果對(duì)產(chǎn)品要求的基本門坎。

　　但到了 iOS 8，CIDetector 這個(gè)功能類又增加了針對(duì)條形碼、物體形狀以及文本的識(shí)別能力，用的都還是同一套計(jì)算邏輯。人臉識(shí)別的功能依舊保留，但只用在非關(guān)鍵的照相或者是圖片處理上，并且通過 GPU 加速來增加其識(shí)別效率。

　　在這時(shí)，CIDetector 的人臉識(shí)別功能最主要是用來判斷“是不是人臉”，而不是判別出“這是誰的臉”，離現(xiàn)在的 Face ID 功能還有相當(dāng)遙遠(yuǎn)的距離，反而在條形碼判讀方面的應(yīng)用還比較廣，而其對(duì)象識(shí)別能力，亦逐漸被用在 AR 功能上。

　　無論如何，可以見得蘋果對(duì)于新興技術(shù)的運(yùn)用相當(dāng)謹(jǐn)慎，至今也是如此。不久前，《麻省理工科技評(píng)論》曾對(duì)蘋果現(xiàn)任CEO蒂姆·庫克 (TimCook)進(jìn)行了專訪。當(dāng)被問及如何看待很多人認(rèn)為蘋果在AI領(lǐng)域正在落后于谷歌、微軟、亞馬遜等公司，他的回答是：“不僅僅是人工智能，其他方面也是一樣。大家經(jīng)常把我們正在賣的東西跟別人規(guī)劃的東西做比較。很多人賣的是概念，他們有他們的理由，我沒有批評(píng)誰的意思，只是我們不這么做?！?/p>

　　"消費(fèi)者是不會(huì)在意整合進(jìn)產(chǎn)品的機(jī)器學(xué)習(xí)技術(shù)，他們甚至都不知道這種技術(shù)的存在。而恰恰是有了機(jī)器學(xué)習(xí)，iPhone的電池續(xù)航時(shí)間更長(zhǎng)。其實(shí)iPhone里有一大堆東西都會(huì)讓你感覺‘哦，原來那也是機(jī)器學(xué)習(xí)啊’。我們從來不覺得需要告訴消費(fèi)者我們的產(chǎn)品里有哪些用到了機(jī)器學(xué)習(xí)，因?yàn)檫@不是消費(fèi)者最關(guān)心的。我們關(guān)心，因?yàn)槲覀冊(cè)诩夹g(shù)領(lǐng)域工作，但用戶不在乎，他們只在乎好不好用。"

　　云端 AI 牽扯到隱私問題，蘋果轉(zhuǎn)而尋求終端解法

　　到了 2014 年，蘋果看到深度學(xué)習(xí)在大型計(jì)算平臺(tái)上的應(yīng)用已經(jīng)越來越成熟，進(jìn)而想到了逐漸實(shí)用化的深度學(xué)習(xí)在移動(dòng)平臺(tái)應(yīng)該同樣有著極高的應(yīng)用潛力，研發(fā)人員產(chǎn)生了一個(gè)想法：如果把深度學(xué)習(xí)放在手機(jī)上，那是不是可以做到更酷炫、更精確的識(shí)別功能?

　　然而，理想很豐滿，但現(xiàn)實(shí)很骨感。先不論現(xiàn)在的手機(jī)已經(jīng)逐漸集成用來處理 AI 計(jì)算的專用處理單元，比如說華為在麒麟 970 使用的 NPU，2014 年的手機(jī)芯片計(jì)算性能非常羸弱，不堪作為深度學(xué)習(xí)的視覺模型計(jì)算平臺(tái)。

　　當(dāng)時(shí)行業(yè)里如果要做到 AI 功能，通常都是通過云端 API 提供相關(guān)的深度學(xué)習(xí)方案。如果使用基于云的深度學(xué)習(xí)方案，那么諸如臉孔識(shí)別，就可以通過手機(jī)收集臉孔圖像，然后發(fā)送至云端來進(jìn)行學(xué)習(xí)以檢測(cè)人臉。這些基于云的服務(wù)通常使用強(qiáng)大的桌面級(jí) GPU 架構(gòu)，并且同時(shí)使用了龐大的內(nèi)存。通過這些云服務(wù)設(shè)備，手機(jī)這樣的終端也能使用深度學(xué)習(xí)來解決問題。

　　但這又產(chǎn)生了另一個(gè)問題，蘋果的 iCloud 受到嚴(yán)格的隱私與數(shù)據(jù)使用限制，所以 iCloud 上雖然存在龐大的照片數(shù)據(jù)，但這些數(shù)據(jù)都不能被用來進(jìn)行深度學(xué)習(xí)。理論上發(fā)送到 iCloud 的照片和視頻都會(huì)再發(fā)送到云存儲(chǔ)設(shè)備前先經(jīng)過加密，并且只能通過注冊(cè)到 iCloud 的賬戶來進(jìn)行解密，所以，要進(jìn)行深度學(xué)習(xí)，蘋果只能選擇在手機(jī)上直接進(jìn)行相關(guān)計(jì)算，而不是在云端處理。

　　也正因?yàn)榇?，挑?zhàn)就來了：要在 iPhone 上進(jìn)行深度學(xué)習(xí)，就必須占用相當(dāng)龐大且珍貴的 NAND 存儲(chǔ)空間，且學(xué)習(xí)時(shí)必須將整個(gè)數(shù)據(jù)庫都加載到內(nèi)存中，并且耗用大量的 CPU 或 GPU 計(jì)算能力。

　　另外，與基于云計(jì)算的服務(wù)不同，云計(jì)算的資源只需要專注于視覺問題，反觀終端設(shè)備上的深度學(xué)習(xí)計(jì)算必須與其它正在運(yùn)行的應(yīng)用程序共享系統(tǒng)資源。最后，這些計(jì)算必須獲得足夠高效的處理，要能在相當(dāng)短的時(shí)間內(nèi)處理龐大的照片庫，且不能帶來顯著的功耗或熱量增加。

　　用 OverFeat 深度學(xué)習(xí)算法取代傳統(tǒng) Viola-Jones 的特征識(shí)別方式

　　2014 年蘋果的研發(fā)人員開始探討如何通過深度學(xué)習(xí)來檢測(cè)圖像中的人臉時(shí)，深度卷積網(wǎng)絡(luò) (DCN)其實(shí)才剛剛開始在物體檢測(cè)上有所發(fā)揮，并產(chǎn)生相當(dāng)可靠的結(jié)果。而 DCN 算法中，最突出的是一種名為“OverFeat”的作法，靠由相對(duì)簡(jiǎn)單的邏輯，可以達(dá)到相當(dāng)有效且可靠的圖像描繪結(jié)果。

　　研發(fā)人員使用了基于 OverFeat 論文中的見解來架構(gòu)最初的 Face ID 里面的人臉識(shí)別算法，并以之建立了一個(gè)完整的卷積網(wǎng)絡(luò)，靠以達(dá)成兩個(gè)任務(wù)目標(biāo)：

　　1. 使用二進(jìn)制分類來預(yù)測(cè)輸入數(shù)據(jù)中臉部的存在與否。

　　2. 預(yù)測(cè)邊界框架的參數(shù)回歸，靠以更好的定位輸入中的臉部數(shù)據(jù)。

　　研究人員使用了幾個(gè)訓(xùn)練這種網(wǎng)絡(luò)的方法：

　　最簡(jiǎn)單的訓(xùn)練過程是創(chuàng)建一個(gè)固定大小圖像塊的大數(shù)據(jù)集，該圖像對(duì)應(yīng)網(wǎng)絡(luò)的最小單一有效輸入，靠以優(yōu)化整個(gè)網(wǎng)絡(luò)算法的多任務(wù)目標(biāo)計(jì)算能力。訓(xùn)練的數(shù)據(jù)集代表了理想狀態(tài)下的學(xué)習(xí)判讀過程，研發(fā)人員靠此判斷整個(gè)網(wǎng)絡(luò)的計(jì)算潛力以及彈性，并針對(duì)更多不同的可能性來調(diào)整網(wǎng)絡(luò)的參數(shù)。而訓(xùn)練完畢之后，網(wǎng)絡(luò)就能夠預(yù)測(cè)任一圖像中是否包含了人臉，如果判斷為是，那它還能指出人臉在圖像中的坐標(biāo)和比例。

　　圖丨蘋果研發(fā)人員優(yōu)化過的人臉識(shí)別 DCN 網(wǎng)絡(luò)結(jié)構(gòu)

　　由于網(wǎng)絡(luò)是完全卷積的，所以能夠高效的處理任意大小的圖像，并且生成 2D 輸出對(duì)應(yīng)地圖。而對(duì)應(yīng)地圖上的每個(gè)點(diǎn)都可對(duì)應(yīng)到輸入圖像中的任何區(qū)塊，而這些點(diǎn)也包含了來自網(wǎng)絡(luò)中，對(duì)于該圖塊是否存在人臉以及該人臉在圖塊中的相對(duì)位置和比例的預(yù)測(cè)。

　　當(dāng)我們完整定義網(wǎng)絡(luò)后，就可建立標(biāo)準(zhǔn)的處理流水線來執(zhí)行人臉檢測(cè)，這個(gè)流水線里面包含了多尺度的圖像金字塔、人臉檢測(cè)器以及后處理模塊等三大部分。多尺度的金字塔主要是用來處理各種尺寸的臉孔。當(dāng)收集到臉孔數(shù)據(jù)，我們把網(wǎng)絡(luò)應(yīng)用到金字塔的每個(gè)不同尺度級(jí)別，并從每一層收集候選檢測(cè)資料。后處理模塊則是用來把這些檢測(cè)結(jié)果跨度進(jìn)行組合，靠以產(chǎn)生對(duì)網(wǎng)絡(luò)映對(duì)圖像中，臉部檢測(cè)的最終預(yù)測(cè)邊界框的列表。

　　圖丨使用 DCN 卷積網(wǎng)絡(luò)建立出來的人臉檢測(cè)流水線

　打造基于深度學(xué)習(xí)計(jì)算的 OpenML，創(chuàng)造人臉識(shí)別的基礎(chǔ)平臺(tái) Vision

　　雖然蘋果過去為其終端設(shè)備設(shè)計(jì)了不少針對(duì)圖像處理的 API，比如說前面提到的 Core Image，但這些基于舊世代邏輯的 API，其實(shí)已經(jīng)無法很好的應(yīng)對(duì)未來復(fù)雜應(yīng)用的計(jì)算需求，而因?yàn)樯疃葘W(xué)習(xí)的應(yīng)用不論在云端或者是終端已經(jīng)是不可避免的趨勢(shì)，所以蘋果研發(fā)人員推出了OpenML這個(gè)深度學(xué)習(xí)開發(fā)環(huán)境，以及Vision這個(gè)針對(duì)深度學(xué)習(xí)優(yōu)化的圖像成像信道。

　　憑借 Vision，開發(fā)人員大部分的基本圖形操作可以自動(dòng)完成。另外，在內(nèi)存耗用以及功耗表現(xiàn)方面，尤其是流媒體，以及圖像捕捉過程，內(nèi)存的占用過去一直是個(gè)懸而未決的問題。隨著攝影鏡頭的照相解析能力越來越高，其所能捕獲的圖像質(zhì)量以及容量需求也不斷增加。研發(fā)人員通過部分二次采樣解碼以及自動(dòng)平鋪技術(shù)來解決內(nèi)存占用過高的問題，因此，機(jī)器視覺可以被應(yīng)用到各種圖像中，即便是全景照片這種非常規(guī)高寬比的大型圖像也能順利工作。

　　Vision 也能妥善且有效率的使用中間體來優(yōu)化圖像識(shí)別的工作。諸如人臉識(shí)別，或者是人臉標(biāo)志檢測(cè)的工作都可以通過相通的中間體來加以處理。研發(fā)人員把相關(guān)算法的接口抽象出來，找到要處理的圖像或緩沖區(qū)的所有權(quán)位置后，Vision 就可以自動(dòng)創(chuàng)件以及緩存中間圖像，靠以提高相關(guān)的視覺任務(wù)計(jì)算性能。

師徒制神經(jīng)網(wǎng)絡(luò)訓(xùn)練法解決過高的系統(tǒng)資源占用問題

　　Vision 的人臉檢測(cè)工作也需要大量的 GPU 計(jì)算，但 GPU 本身是一種相當(dāng)耗電的架構(gòu)，且計(jì)算過程中也會(huì)占用一定的內(nèi)存空間。為了減少內(nèi)存的占用，研發(fā)人員通過分析計(jì)算圖來分配神經(jīng)網(wǎng)絡(luò)的珠間曾，靠以讓多個(gè)圖層能夠?qū)?yīng)到同一個(gè)緩沖區(qū)。這個(gè)技術(shù)能夠減少內(nèi)存占用，且不會(huì)明顯影響性能，并且可在 CPU 或是 GPU 上進(jìn)行處理，兼顧了效率和彈性表現(xiàn)。

　　為了確保深層神經(jīng)網(wǎng)絡(luò)在后臺(tái)運(yùn)行時(shí)，前臺(tái)的系統(tǒng)操作流暢性仍能維持一致，研發(fā)人員更將網(wǎng)絡(luò)的每一層分割 GPU 工作，直到每個(gè)工作線程的占用的 CPU 時(shí)間都少于1 毫秒，讓操作系統(tǒng)可以快速將應(yīng)用情境切換到優(yōu)先級(jí)更高的任務(wù)上，比如說 UI 動(dòng)畫的處理，靠以確保使用者得到的使用體驗(yàn)仍能維持一致。

　　研發(fā)人員雖靠由 Vision 建立起基本的神經(jīng)網(wǎng)絡(luò)。然而網(wǎng)絡(luò)復(fù)雜度和規(guī)模仍是要把這個(gè)網(wǎng)絡(luò)放到計(jì)算資源有限的終端設(shè)備上的最大挑戰(zhàn)。為了克服這個(gè)挑戰(zhàn)，研發(fā)人員必須把網(wǎng)絡(luò)限制在相對(duì)簡(jiǎn)單的拓樸結(jié)構(gòu)中，而且網(wǎng)絡(luò)層數(shù)、信道數(shù)量以及卷積濾波器的內(nèi)核大小也要受到限制。

　　這是個(gè)兩難的問題，如果網(wǎng)絡(luò)規(guī)模太小，那就不足以構(gòu)成可以快速判斷圖像的流水線，但太大，性能又會(huì)受到手機(jī)硬件的計(jì)算性能限制，導(dǎo)致反應(yīng)遲緩，且功耗和發(fā)熱會(huì)嚴(yán)重影響使用體驗(yàn)。事實(shí)上，不論怎么嘗試，當(dāng)時(shí)要把整個(gè)神經(jīng)網(wǎng)絡(luò)搭載到僅僅只有 1GB 的手機(jī)內(nèi)存，可說是完全不可能的任務(wù)。

　　研發(fā)人員最終采用了類似“師生”的培訓(xùn)方法，也就是使用 1 個(gè)具有完整規(guī)模的“大師”網(wǎng)絡(luò)，以之來訓(xùn)練另 1 個(gè)較小，且層數(shù)較少的“學(xué)生”網(wǎng)絡(luò)，靠由這個(gè)訓(xùn)練，最終只具備簡(jiǎn)單卷積網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)生網(wǎng)絡(luò)，也能呈現(xiàn)出極為接近大師網(wǎng)絡(luò)的識(shí)別結(jié)果。最終，把神經(jīng)網(wǎng)絡(luò)放到手機(jī)上的計(jì)劃終于獲得實(shí)現(xiàn)。

　　結(jié)合 Neural Engine 芯片，GPU 和 CPU 更可專注于使用體驗(yàn)的改善

　　開發(fā)了 3 年的 Vision 成為蘋果在今年的 WWDC 發(fā)表泛用 AI 的機(jī)器學(xué)習(xí)框架 OpenML 的重要部件之一，而除了 Vision 以外，還加入了用于協(xié)助自然語言處理的 Fundation 、及讓游戲開發(fā)商可以在游戲中導(dǎo)入 AI 的 GameplayKit 等三大應(yīng)用框架，這些開發(fā)環(huán)境也都用上了深度學(xué)習(xí)技術(shù)。

　　雖然通過 OpenML，可以妥善利用 GPU 和 CPU 的計(jì)算性能，達(dá)到不錯(cuò)的深度學(xué)習(xí)性能，但蘋果并不滿足于現(xiàn)況，并認(rèn)為要達(dá)到最好的使用體驗(yàn)，就必須加入專用的深度學(xué)習(xí)硬件，這么一來不但可以增加神經(jīng)網(wǎng)絡(luò)的規(guī)模，強(qiáng)化識(shí)別的正確性，同時(shí)也不會(huì)造成系統(tǒng)的延遲，而這也就是蘋果為何要與 Vision 同步研發(fā) A11 內(nèi)建 Neuro Engine 的主要原因。

　　憑借 Neuro Engine，所有深度學(xué)習(xí)相關(guān)的工作都可通過這個(gè)專屬的核心來進(jìn)行處理，CPU 和 GPU 可以專注進(jìn)行前臺(tái)任務(wù)，不會(huì)被后臺(tái)的任務(wù)所干擾，比過去所有的架構(gòu)都更有效率，使用此計(jì)算架構(gòu)加速的 Face ID，也表現(xiàn)出極高的識(shí)別速度以及正確性。Neural Engine 可做到每秒鐘六億次的操作效率，也就是0.6TOPS，在其功耗限制的條件下能做到這樣的效能輸出，其實(shí)已經(jīng)算是業(yè)界數(shù)一數(shù)二了。

　　而作為蘋果軟硬生態(tài)未來不可缺的一部份，Neural Engine 也將會(huì)在整個(gè)蘋果終端的開發(fā)環(huán)境中占有非常重要的地位，不僅是目前的圖像識(shí)別或臉孔識(shí)別工作，未來在 AR 或 VR 圖像的繪制或迭加到真實(shí)世界的處理，肯定都會(huì)發(fā)揮其增進(jìn)深度學(xué)習(xí)計(jì)算效能，并優(yōu)化整體系統(tǒng)功耗表現(xiàn)，靠此更加強(qiáng)化蘋果在相關(guān)應(yīng)用的使用體驗(yàn)。