當你在超市用面部識別完成一次支付

當你打開一款 App 尋找離你最近的一家“五星”餐廳

當你使用手機語音助手幫你預定旅行的機票

... ...

你手中握著多少智能？

答案是非常之多！

2017 年是人工智能最終融入智能手機的年份，不僅僅是融入智能手機相連的云端，更是融入智能手機本身。

這些手機配備在設備上的 AI 引擎，旨在有效地從傳感器獲取數據，徹底了解數據，然后在設備本地存儲和計算。這些手機執行面部識別、活動預測和增強數據加密等任務，必須平衡對額外存儲與計算能力的需求和尺寸限制、成本效益、電池電量。由于這些手機中搭載的 AI 芯片必須能夠根據本地數據提供快速、準確的決策，因此它們依賴于更快、更創新的系統內存和存儲。

AI 智能手機的真實用例

最新智能手機提供的增強圖像、聽覺和語音處理功能已經涌現出新的用戶體驗。下一波體驗將是支持智能手機中 AI 新用例的應用，包括語言處理、人類活動預測和增強型數據加密等。隨著對用戶身份驗證進行面部識別的流行，創新者將使用設備上的 AI 來幫助用戶身份驗證變得更加復雜，但是也更安全、更方便。例如，以前使用照片可以讓面部識別失效。現在由于使用多個 3D 深度傳感器和紅外攝像頭，智能手機用戶身份驗證更安全、更快捷。

利用設備上的 AI 進行的自然語言翻譯可以增強大多數智能手機中已有的語音識別。更進一步，本地分析和處理電話和聊天對話，可以借助意圖預測（即預測一個人的行為）幫助智能手機提高響應速度，并且智能助理會建議采取某種行動或進行購買。未來的智能手機應用勢必會將一些買家協助功能從基于云的機器人轉移到更快、更安全的智能手機。

將基于云的 AI 與設備上的 AI 相集成，可進一步擴展用例范圍。例如，加利福尼亞大學伯克利分校有一款叫做 MyShake 的地震預警應用，它使用手機中的加速度傳感器（橫向轉動手機時它會調整屏幕）和 GPS 測量本地發生的震動程度。該款應用結合收集您附近其他 MyShake 用戶的報告并在云中執行綜合分析，可以發展成為個人地震計和早期預警系統。

智能手機成為學習機器

為設備上的本地 AI 提供轉變動力的是新型專用 AI 處理芯片，嚴格說來，此類芯片比 AI 更具機器學習能力。機器學習是 AI 的一個子集；它是一種技術，隨著時間的推移，它能幫助機器響應不同類型的數據并最終創建可重復的模式，從而自動學習，不必手動編程。神經網絡系統幫助這些機器學習應用程序對數據進行排序，以便計算機更快地對數據進行分類。2017 年，工程師們學會了如何在片上系統 (SoC) 中添加新的 AI 組件，從而提高“智能”或 AI 輔助任務的性能和效率，降低成本和功耗，縮小其尺寸。

AI 加劇對手機尺寸和電量的挑戰

在智能手機的組件中，CPU/GPU、屏幕和內存耗電量最多。現在除了這些以外，還增加了新型 AI 引擎的耗電要求。消費者要求有更高像素的顯示屏和更多的內存來支持他們增加負載，因此電池壽命仍然是制造商的主要關注點。

5G 網絡已在諸如中國等國家投入運營。這種無處不在的超高速無線連接，未來其吞吐量比現有 4G 網絡快 50 倍，延遲改進至少比 4G 高出五倍，將為多媒體和視頻體驗創造無限可能。但移動設備將需要更復雜的內存子系統來滿足速度和存儲要求，同時又不會增加功耗或占用空間。

專用 AI 引擎需要處理

本地 AI 處理將增加內存大小和存儲要求。更重要的是，隨著越來越多的 AI 特定應用程序的問世，對更快存儲性能的需求將呈指數級增長。

對于要求高密度、高容量、占用空間小的移動設備，3D NAND 正成為首選存儲解決方案。例如，64 層 3D NAND 數據存儲單元堆棧層垂直構建存儲設備，其容量比傳統的 2D 平面NAND技術高出六倍。此外，最新的 3D NAND 內存設備使用高性能 UFS 存儲接口，可以同時實現讀寫命令，并具有比上一代 e.MMC 5.1 接口更快的隨機讀取速度。3D NAND 芯片和快速 UFS 接口進行這種組合，便可在更小的芯片面積上實現更多存儲，從而為配備 AI 的移動設備帶來顯著的節省成本額、低功耗和高性能。

輝煌的未來

智能手機上的智能助手特性和功能必須根據數據流做出快速而又精確的決策支持。速度緩慢的存儲和內存，其 AI 訓練性能緩慢，導致較長的待機時間，電池快速耗盡。幸好內存和存儲創新提供了更快的 I/O 操作和近實時 AI 計算，滿足了這些 AI 引擎不斷增長的數據需求，從而營造了強大的用戶體驗。