智能手机 - 人工智能和机器学习

除此之外，如今智能手机要想紧跟潮流，还需要一个高 18:9 的显示屏、最小边框（为了美观而设计了一个凹口）、一个出色的摄像系统以及人工智能和/或机器学习。

人工智能和机器学习是智能手机的流行术语，从片上系统到操作系统，都得到了广泛采用和应用。那么，这仅仅是营销炒作、科幻小说，还是事实就是虚构的？请继续阅读，我们将提供简单明了且尽可能不含术语的概述。

那么人工智能和机器学习有什么区别

人工智能的最大特点是机器能够表现出与我们人类没有明显区别的学习、行为和交流等实践。这肯定属于科幻小说的范畴吧？好吧，如果我们到此为止，那么我们会同意，但让我们深入挖掘一下。

以上面描述的人工智能概括（通用人工智能）为例，让我们将其缩小并选择一个与我们的主题更相关的特定领域 - 例如图像识别，我们将其称为狭义人工智能。

现在，我们的智能手机并不是一夜之间就突然具备了识别和区分汽车和一盘食物的能力。

这是教出来的。智能手机要真正地以最纯粹的形式学习新事物，也就是无需干预，还有很长的路要走。

我所在的团队为一家英国大型零售商推出了一项会员卡计划，目前该零售商拥有约 1600 万持卡人。想象一下我们收集的数据量。客户数据库包含 1600 万人在注册过程中提供的所有信息，包括性别、年龄、子女、地址（我们只是在不断添加这些信息）。交易数据库包含与该客户相关的每件商品的购买日期、时间和商店。

我们的系统会给我们带来什么见解和情报 - 但现实情况有所不同。我们并不是在某天来到办公室后才发现我们的洞察系统给出了我们未曾考虑过的“真相”或趋势。不，我们的洞察直接回答了我们提出的问题 - 例如，有多少符合特定人口统计的女性没有购买特定品牌的香水。我们可以利用这种洞察并尝试更换品牌。这就是数据挖掘，尽管规模巨大，规则和逻辑都是我们创建的。

现在回到我们的智能手机，这就是机器学习发挥作用的地方。举一个实际的例子——Apple Photos People Album，让我们暂时假设我们之前从未“标记”过任何人。

当您第一次查看人物相册时，它仅显示已识别“脸部”几何形状的照片，没有姓名。

• 选择一张没有名字的面孔，选择它并给它命名。
• 然后它会尝试确认另一张脸是这个人，此时它只能使用第一张脸，因此第二次提供的脸可能相差甚远。所以你告诉它“是”或“否”，然后重复。吃。

随着每次迭代，它都会从不同角度、不同发型以及随着年龄增长而发生的变化等角度对这张脸进行越来越多的了解。因此，当你拍下这个人的照片时，它会自动标记上正确的名字。

这是机器学习用于实现狭义人工智能的一个典型例子。

在我们上面的例子中，我们努力让智能手机识别我们朋友的面孔，因为这些面孔对我们来说是独一无二的。在我们的相机应用程序和支持芯片中，其他公司已经付出了这样的努力，提供了基准。他们利用机器学习来记录和分类大量照片，所以当你将要吃的那盘完美食物框起来时，你的智能手机就会知道并应用适当的滤镜来拍摄最好的照片并将其标记为特定的食物类型。

未来，这些狭窄的 AI 领域将得到扩展，以便更好地协同工作。秉承我们的人脸识别主题，iPhone X 使用 Face ID 中的 AI 来学习您的脸部，以便在多种不同情况下解锁您的 iPhone。想象一下，未来这个过程会自动扩展到照片应用程序，以更好地了解您的脸部，以协助初始识别阶段或添加更多照片。

专用人工智能芯片组

此时，谈论硅片是恰当的。当制造商在其硅片中引用 AI 元素时，请将其视为与图形处理单元 (GPU) 类似。而 GPU 为开发人员提供了一组高效的加速 API，例如，在特定坐标空间内显示多边形，并显示彩色纹理。人工智能硅片提供了一组高效的加速 API，通过神经网络支持与 AI 相关的任务。

包含 AI 相关硬件的芯片组的示例包括；

• 华为海思麒麟970神经处理单元（NPU）
• 高通骁龙 845 Hexagon 685 DSP AI 平台
• 苹果的 A11 仿生神经引擎

他们的神经网络硬件每秒可以执行多达数千亿次运算。

不过不用担心，如果你的智能手机芯片组不包含任何专用的 AI 芯片，那么这个过程将通过软件进行。由于无法调用专用加速芯片的支持，因此效率会较低，但主要使用 GPU，在某些情况下也会使用 CPU。

开发人员

直到最近，尽管操作系统的内置应用和流程可以访问 AI，但开发人员很难在其应用中实现本地设备上的 AI 任务。为了做到这一点，他们必须自带 AI，或接入第三方提供的框架，例如亚马逊的 AWS 机器学习。不过，情况已经发生了变化，因为 Android 8.1 和 iOS 11 都提供了 API，允许开发人员轻松地将机器学习引入他们的应用。

Android 8.1

Android 神经网络 API (NNAPI) 专为运行机器学习的计算密集型操作而设计。NNAPI 旨在为构建和训练神经网络的高级机器学习框架（如 TensorFlow Lite、Caffe2 等）提供基础层功能。

iOS 11

Core ML 是 Apple 产品（包括 Siri、Camera 和 QuickType）使用的机器学习框架。

隐私

公司生存与否取决于我们的数据隐私，它们采用不同的方法来确保这一点。对于一些公司来说，数据永远不会离开手机，即使离开，也会被标记化。而对于其他公司来说，云端的加密数据提供了额外的机会来增强和丰富体验。

展望未来，朋友和家人之间一定程度的权限共享将为我们所有人带来额外的省时优势。坚持我们的人脸识别主题，分享和接收家人和密友所进行的所有学习，确保如果有人努力教他们的照片库了解他们儿子的脸，那么这些知识就会自动传递到他们所有的图书馆中。

在本文中，我们重点关注摄影，以保持文章简短并避免跳跃，但 AI 和 ML 的其他领域也适用于：

• 自然语言理解，包括语音和手写识别
• 利用智能手机传感器更好地了解用户环境中发生的事情
• 预测界面、用户工作流程和内容审查/家长控制
• 手机安全
• 增强图像处理
• 增强现实和人工智能视觉
• 通过设备应用程序/系统管理进一步最大限度地延长电池寿命。

在我们结束之前还有最后一点，如果我们看到这个领域出现标准，它可能会允许你的情报在不同制造商的设备和服务之间共享。我们知道 - 这只是一厢情愿。

所以现在还不用担心。你的智能手机无法像天网那样拥有自我意识，当你下次把手机拿到耳边时，它会试图终止你的行动。我们看到的是，现在比以往任何时候都更需要手机的“智能”部分真正开始赢得它的称号。所以，现在，让我们享受人工智能通过机器学习为我们与设备的日常互动带来的所有好处。

由于人工智能的分支数量非常复杂，我们仅触及了该主题的表面，如需更多阅读材料，请点击此处访问维基百科。