武汉肺炎（COVID-19、新冠肺炎）疫情让脸部解锁功能低下高贵的头，当口罩成为出门必备品，解锁手机时总要经历“脸部辨识失败→输入密码”的麻烦过程，不由得让人怀念起指纹辨识。
为了优化脸部解锁体验，今年稍早创业者 Danielle Baskin 推出带脸部资讯的口罩，透过撷取用户脸部资讯，然后印在口罩外侧，用户就算戴口罩也可拼成完整的脸。
▲ 但有点惊悚。（Source：Danielle Baskin）
不过产品解锁成功率不明确，且没有大量样本证明有用。那要如何让脸部辨识不再被口罩困扰？
一些网友渐渐发现，随着戴口罩时间越来越久，手机似乎由一次次解锁失败找到“经验”，逐渐能辨识成功戴着口罩的主人。
靠这思路，一些科技网红也分享更有效的教程，如戴口罩反复解锁，脸部辨识不成功就立即输入密码，循环这动作 30 分钟左右，手机便能辨识戴口罩的自己了。
▲ 戴口罩成功脸部解锁。（Source：Farhad Usmanoff）
不过网友表示，不同机型的“学习”速度不一，有人重复 20 分钟便成功，但有人重复上千次，手机仍无法辨识戴口罩的人。
为什么会出现这种情况？答案和手机 AI 学习能力有关。
深度学习利器──NPU
如果有关注近两年的手机发表会，一定会发现手机厂商介绍 SoC 芯片时，都会重点提到 NPU 升级。
NPU 就是神经网络处理器。手机芯片一般分为几个功能区，发表会常提到的有 3 个：一是擅长处理繁复工作和发号指令的 CPU，二是擅长图形处理的 GPU，再来就是擅长处理人工智能任务的 NPU。
虽然 NPU“占地”没有 CPU 和 GPU 大，但能力却不容忽视，手机的智慧程度就靠它了。
训练手机辨识戴口罩的人，便主要归功于 NPU 的能力。镜头捕捉到脸部后，CPU 和 GPU 会在极短时间前端处理图片，然后 NPU、GPU 侦测撷取特征，最后 CPU、GPU 和 NPU 共同完成脸部辨识分类。
得益于日益强大的运算力，整个过程能到“无感”程度。我们拿起手机的瞬间，上述流程便处理完毕。
NPU 的加入，让手机认识不同状态的你。早上刚起床时，即便浮肿，手机也知道这就是你，甚至被马蜂蛰了、嘴巴肿成“香肠”，手机依然能辨识你。
所以经过定量训练后，手机便可“无惧口罩”认出你了。
如果只靠算法，CPU 和 GPU 也能配合学习，但缺点是效率低且功耗大。据《汽车电子与软件》介绍，CPU 和 GPU 需使用数千条指令完成神经元处理，NPU 只需一条或几条就能完成。
▲ NPU 学习效率颇高。（Source：Android Authority）
另外同等功耗下，NPU 效能是 GPU 的 18 倍，可看出 NPU 深度学习的处理效率方面有明显优势。
说到这不得不提 NPU 的工作原理。NPU 的学习效率高，不是因为喝了“红牛”，而是在电路层模拟人类神经元和突触，使用深度学习指令集，直接处理大规模的神经元和突触。透过突出权重达成储存和计算一体化，NPU 一条指令就能胜任以往 CPU 和 GPU 的上千条指令。
打个不准确的比喻，就像电商的仓储、物流一体化，提高送货效率，当天买当天就能拿到商品。
NPU 并不鸡肋
中国最早研究 NPU 的企业当属寒武纪。2017 年发表的麒麟 970 芯片，就采用寒武纪 NPU 架构，麒麟 970 也为世界首款行动端 AI 芯片。
华为表示整合 NPU 单元的麒麟 970，相较 4 个 Cortex-A73 核心处理同样的 AI 任务时，拥有约 50 倍能效和 25 倍效能优势。例如影像辨识速度可达约每分钟 2 千张，远高于业界水准。
11 天后，iPhone 8 / 8 Plus、iPhone X 带着 A11 仿生芯片问世，苹果表示这是有史以来最强大、最智慧的芯片。
A11 Bionic 是苹果首款以“仿生”命名的处理器，也是苹果第一款支援 AI 加速的处理器。比如脸部辨识，神经网络引擎让 A11 支援速度高达每秒 6 千亿次运算辨识。
也是从这年开始，越来越多厂商重视手机 AI 能力宣传。如华为主打的 AI 摄影、超级夜景、隔空手势等功能；iPhone 引以为傲的 Face ID、人像景深、Deep Fusion（深度融合）等功能，都依赖 NPU 的能力。
▲ 华为 AI 手势操控。
2019 年 6 月开始，麒麟 810 发表，华为开始使用自研达芬奇架构的手机 AI 芯片。达芬奇架构的巧妙之处在于各单元分工清晰，可有更高效的 AI 计算。
据《电子产品世界》介绍，达芬奇架构核心的 3D Cube、Vector 向量计算单元、Scalar 纯量计算单元等，都各自负责不同运算并列化计算模型，共同保证 AI 计算高效处理，达成高算力、高能效、灵活可裁剪的特徴。
刚结束的 Mate 40 系列发表会，华为强调麒麟 9000 芯片 NPU 升级到达芬奇架构 2.0 版本，算力翻倍。AI 计算能力更强同时，效能提升 15%，网络执行效能也提升 20%。
苏黎世联邦理工学院的 AI Benchmark 榜单，麒麟 9000 摘得 Android 阵营桂冠，分数是高通骁龙 865+ 两倍多。
▲ AI Benchmark 榜单。
至于麒麟 9000 也进化到每秒 2 千张的速度。发表会重点展示的 AI 隔空手势、AI 灵动熄屏幕、AI 字幕等，也都是 NPU 能力的显现。尤其“智感支付”功能，当手机感测到扫码盒时，便会自动出现付款码页面，一气呵成完成支付。
▲ 华为智感支付。（Source：VDGER）
第四代 iPad Air 发表时，苹果也强调 NPU 能力精进。相比 A12 仿生处理器，A14 仿生新一代神经网络引擎让机器学习效能快达两倍。
超高的机器学习速度，让 A14 仿生芯片达成超级画素功能，搭配 pixelmator 使用，放大裁切后照片，画素会自动增补，让照片更清晰。
反映到 iPhone 12 系列，计算摄影能力也空前改进。举个例子，延迟摄影时，手机会自动计算被摄物体，如果是拍车流，手机会自动降低快门速度，让车灯呈现拖影感，画面流动感更强。
新一代 iPhone 在 Deep Fusion、HDR 影片等方面，与 iPhone 11 相比都有肉眼可见的变化，都得益于 A14 强大的 AI 计算能力。
我们可期待 NPU 什么？
虽然行动端 NPU 近两三年才开始大力宣传，但相关概念在 2013 年就已出现。
当时高通希望透过模仿人脑的计算架构，缩小普通机器运算与人脑的差距，这种透过模拟神经元的运算处理器，高通称为“Zeroth”。
▲ 高通介绍 Zeroth。
高通 Zeroth 芯片，运算架构模仿人类生物神经细胞的运作模式，是大脑架构层面。NPU 则是模仿大脑功能层面，两者方向不一样。高通没有加入独立 NPU 大军，坚持人工智能引擎 AI Engine 的方向。
高通骁龙 845 发表时，某些外界声音批评高通没有顺应 NPU 趋势，以至于 AI 能力落后。高通进阶副总裁兼行动业务总经理 Alex Katouzian 回应，虽然没有独立神经网络引擎单元，但采用更弹性的机器学习架构（AI Engine），通用平台内最佳化核心，分散于 CPU、GPU、DSP 等每个单元，可针对不同行动终端机提供弹性呼叫各处理单元。
可以这样理解：NPU 的方向是分工明确，每个单元的集约化程度较高；高通 AI Engine 的方向是“有工作大家一起做”。
直到采用第五代多核人工智能引擎 AI Engine 骁龙 865 系芯片发表时，高通依旧没有踏入 NPU 之道。
▲ 高通强调 865 的 AI 能力（左下方）。
不过实际使用，高通骁龙 865 的学习能力依然值得肯定。如近半个月使用搭载高通骁龙 865+ 的 vivo X50 Pro+ 时，每天解锁十次左右，已能成功辨识戴口罩的主人了。
但从资料看，AI 学习能力落后麒麟 9000 和 A14 不少。NPU 一次次用数据证明自己的 AI 实力，高通下一代 AI Engine 能否力挽狂澜，还需等 875 系列芯片面世才能知道。
人工智能时代希望看到的场景是，手机不再被动回应用户需求，而是能主动分析、感测用户需求，并预先提供相关服务的智慧装置。
▲ Mate 40 系列 AI 能力展示。
这方面各家厂商还都在起步阶段。如应用建议，目前最好的笔者认为是小米。透过时间和场景等因素分析，每次都能“猜到”想开启的软件，并智慧排序在最显眼的位置。Mate 40 系列支援的“智感支付”更走在 AI 前端，也给人们更多想像空间。
除了手机，NPU 也逐渐应用到平板电脑、笔电等行动端。苹果近日发表的 M1 芯片就拥有 16 核 NPU，每秒可执行 11 兆次运算，将机器学习速度提升 11 倍，这是传统 PC 难以企及比拟。
搭载 M1 芯片的 MacBook 系列、Mac mini 将有哪些使用体验变化，颇令人期待。
目前的软件生态下，行动端 CPU 和 GPU 提升对用户日常使用来说感受不强，如 iPhone XS 和 iPhone 12 相比，应用流畅性差不多，会影响用户体验的，就是机器学习能力变化，也是为什么要关注 NPU 发展。
（本文由 爱范儿 授权转载；首图来源：pixabay）
延伸阅读：
- NEC 人脸辨识技术再升级，戴口罩也能精准侦测
- AI 耳机靠脸部肌肉轮廓“偷窥”表情，戴口罩也遮不住辨识准确率达 88%
- 研究：戴上口罩，大部分脸部辨识算法就失效
