‘仿生’这个词在苹果芯片中代表什么？

仿生指的是带有专用神经网络引擎的系统级芯片的设计，在此意义上，“仿生”一词被用来描述苹果公司把人工智能计算能力深深地融入到硬件中的行为。从A11仿生开始，苹果就在SoC里加入了独立的NPU单元来负责所有的机器学习工作——比如Face ID的三维人脸重建、ProRAW照片实时去噪、Siri语音识别以及ARKit的空间锚点跟踪等等，都是通过这个引擎以毫秒级的速度做出反应并且达到最佳效率。之后的A12到A17系列不断加强NPU的计算能力，并且和CPU、GPU一起组成了一个异构式的AI计算体系结构，在整个过程中所有的计算都由苹果官方所发布的神经网络框架Core ML和Metal Performance Shaders来完成，数据传输路线非常明确而且操作方式也很规范，因此它已经成为目前行业内终端AI芯片发展的一个重要技术趋势。

仿生芯片就是用工程的方法来实现“专用人工智能硬件加速器”

苹果把“仿生”作为芯片的名字并不是随便用的，在这里它指的是人脑神经元的信息处理方式被硬件所模拟出来的结果，并不是泛指所有的生物形态都受到了影响。具体来说就是在传统的CPU和GPU的基础上再增加一个独立于主处理器之外的人工智能引擎，这个引擎使用的是定制化的指令集以及脉冲式阵列结构来专门针对矩阵乘加操作进行优化。比如A12系列中的人工智能引擎可以每秒钟做五万亿次计算，而最新的A17则能达到十八万亿次/秒的速度，在整个过程中所有的计算都在芯片内部完成，并不需要调用外设或者云服务器。这样做的好处就是可以保证人脸识别等操作只需要0.3秒左右的时间就可以完成，而且还可以把ProRes视频实时转码的操作延迟控制到不到12毫秒以内，在整个过程中所有的AI任务都是在本地闭环运行的，从而保护了用户的隐私安全并且避免了过度依赖网络的问题。

二、仿生能力的实现需要三个层次的合作

第一层为硬件层：NPU和CPU、GPU共用一个内存带宽，但是各自有单独的缓存和调度器，并且可以进行INT4/INT8/FP16混合精度运算；第二层为系统层：iOS/macOS 使用 Core ML 框架把开发人员训练好的模型（比如 TensorFlow、PyTorch 导出格式）自动转换成 NPU 可执行指令流，并且会根据实际情况分配算力资源；第三层就是应用层，在相机应用程序中实现深度融合计算，在备忘录中对手写文字进行识别，在健康应用程序里检测心率异常等等所有这些都使用同一个底层 API 来保证人工智能功能可以在不同设备上以及不同的操作系统之间正常工作；第四层则是安全性和稳定性方面的问题，在没有对外部寄存器进行任何操作的情况下，苹果公司只允许经过审核后的 ML Compute Units 接口来保证模型推理的安全可靠。

三、仿生学命名的背后有一条清晰的技术发展路线

从A11开始，“仿生”就表示该款芯片具有完整的端上人工智能推理功能；到了A12，则加强了多任务并发的能力，并且第一次实现了对现实世界中物体遮挡现象进行实时分析的功能；而到A14的时候，在更高的晶体管密度之下，NPU的能量效率提高了百分之三十；最后在A17时代，采用的是三纳米级别的制程工艺，在如此小的空间里塞进了大约一百九十个亿个晶体管，并且加入了新的动态权重压缩算法来减小四成的数据传输量；所有的改进都是为了实现更小体积、更低能耗以及更强计算密度的目标，并不是简单地堆积参数。

因此，“仿生”就是苹果对于移动AI芯片硬件化路线的高度概括，它是软件定义人工智能到硬件定义人工智能的一次重要转变。