细拆苹果AI战略蓝图 离领跑全球是否越来越近

　　由此可见，苹果的野心并不只是研发自动驾驶系统那么简单。

　　对于现如今的无人驾驶技术而言，LiDAR或光感测距（和雷达类似，但借助激光）以及物理事件预测都是非常重要的组成部分。不过，鉴于所介绍的内容比较敏感，两名不愿透露姓名的参会者强调，苹果公司并没有提及他们的造车理想。

　　神经网络工具Core ML  

　　而英国《每日邮报》7月21日有文爆料，苹果正与一家中国公司合作研发汽车电池， 这家公司名字叫时代新能源科技有限公司(CATL)。CATL曾经隶属新能源技术有限公司，为苹果产品供应电池，但后来脱离后者成为一个独立实体。CATL目前为电动巴士、电动客车、电动卡车和固定能量储存供应电池组。

　　苹果在之前的开发者大会上的主题演讲中清楚地向大家表明，发生在手机上的每个动作都会被记录，然后由操作系统的一系列机器学习算法进行分析，判断是否预示着用户希望要做一个日历预约、拨打一个电话，或者制作更好的动态照片。像Apple music的听歌推荐，通过对用户听歌记录的学习来调整作出相应的推荐；iphone的电池续航，手机的电池管理系统使用了机器学习，了解了用户的使用习惯并作出相应的调整，使续航更持久。

　　对于算法在图形处理单元或GPU（常用于服务器端加速深度学习的处理速度）上的运行效率，苹果还是非常自豪的。一张幻灯片指出，苹果的图像识别算法每秒钟处理的照片是谷歌的两倍，谷歌每秒处理1500张，而他们每秒可以处理3000张，而且大体上只需要1/3的GPU。这种比较是基于在Amazon Web Services（一个云计算的标准）上运行算法做出的。 

　　虽然其他公司正开始基于专用芯片来加速AI工作，如谷歌的TPU（张量处理单元）和微软的FPGA（现场可编程逻辑闸阵列），值得注意的是，苹果是基于标准的GPU。不过，苹果是否为了匹配其客制化客户硬件而构建了自己的客制化GPU，还是从像英伟达这样的大型制造商购买，并没有详细介绍。 

　　神经网络工具Core ML， 它构建的神经网络比原始神经网络小4.5倍，精度却没有损失，速度比原先快两倍。在AI研究领域，这项技术使用更强大的神经网络训练另一个网络，使其知道在各种情况下做什么决策。然后，这位“学生”（student）网络就会具备“老师”（teacher）网络知识的精简版本。本质上，对于给定的照片或音频样本，它能做出更大网络的预测。通过精简神经网络，iPhone和iPad可以识别照片中的人脸和位置，或者了解用户的心率变化，并且不需要依赖远程服务器。将这些处理过程封装在手机里可以让这项功能随处可用，而且，这还使得数据无需加密，也无需通过无线网络传输。

　　无人驾驶领域  

　　相较于其他移动端深度学习框架，Core ML看起来更方便使用。苹果很聪明的定义了一个标准的模型格式（.mlmodel），提供了流行的框架模型到该格式的转换工具，比如你可以将你的Caffe模型转换成Core ML的模型格式。这样就可以利用各个模型的训练阶段，而不像TensorflowLite只能使用Tensorflow模型。模型训练好了之后，只要拖放到XCode中就可以使用，苹果甚至把接口的Swift代码都生成好了，非常方便。 

　　需要说明的是：苹果并不是第一个发布可在移动设备运行的深度学习工具的公司。

　　苹果系统中AI应用 

　　苹果首先发布了其中四个图像识别模型以及一个面向计算机视觉和自然语言处理的API。这些工具在用户设备本地运行，也就是说，数据仍然是私有的，永远不需要在云上进行处理。

　　从目前的情况看来，Core ML似乎在移动端上的表现更胜一筹，但是将来是否真的可以保持稳定发挥，还得靠时间来检验。

　　在苹果提供的预训练模型中，有一部分是开源的谷歌代码，主要面向图像识别。

　　会上一张幻灯片上有两张非常有特色的汽车图片，该幻灯片汇总了苹果公司的研究，说明了“LiDAR的体积检测”和“结构化输出预测”。

　　另外，苹果用来训练其神经网络识别图像的图片库似乎是专有的，其规模几乎是标准ImageNet数据库的两倍。