為了改善電腦系統在資料處理上的效能，科學家將主意打到了人類的神經網絡上。這個念頭并不是神來一筆，而是觀察到人類的腦神經在處理視覺、聽覺和語言方面，有非常卓越的表現。
這種參考人類神經元結構所產生的資料處理程序，被稱為「類神經網絡」或者「人工神經網絡（Artificial Neural Network，ANN）」，它就是一種模仿生物神經網絡結構和功能的數學模型的演算法。
ANN技術其實已問世超過50年，且不斷的進行改良和突破，例如卷積類神經網絡（Convolutional Neural Networks，CNN）就是相當著名的一支，由于它的結構簡單易用，因此發展迅速，并被廣泛的運用在大型圖像的處理上。
到了近幾年，隨著芯片技術的突破和人工智能應用的崛起，讓神經網絡技術又進一步受到重視。目前主要的推力則是機器學習（Machine Learning），它是人工智能的基礎所在，而機器學習的核心是基于神經網絡的多層資料處理技術的「深度神經網絡（Deep Neural Network）」，也因此，想辦法來提升神經網絡資料處理的效能，就成了目前各家終端產品設計的突破點。
而眼前，最火熱的戰場，就是智能型手機。
神經網絡智能手機的新賣點
神經網絡運算有多項優勢，包含平行處理、內容定址記憶、容錯特性、能處理一般演算法難以勝任的問題等，因此很適合運用在經常需要處理非常復雜的任務的應用上，而手機就是一個這樣的產品。
智能手機是當代人們每天都要隨身的電子裝置，它不僅時時要能連線上網，而且經常會同時開啟多個App軟件，影像和語音的處理更是家常便飯。而隨著人工智能功能的導入，更讓手機功能的優化與執行變得復雜，此時，神經網絡技術就成了最好的解決方案之一。
由于神經網絡技術具有自我學習的能力，能學習使用者的操作特性，并設定出一個最佳的輸入和輸出的路徑。因此一旦學習完成之后，后續的各項操作皆能相對以往的軟件程序快上不少，對于使用者體驗有大幅的改善。
目前主要的手機處理芯片供應商也已經在其解決方案中，加入了神經網絡處理器的技術。
蘋果Bionic處理器加入神經網絡引擎
蘋果的iPhone就是最著名的產品。蘋果在2017年的iPhone A11 Bionic處理器上首度加入了神經網絡處理引擎（Neural Engine）的技術。根據蘋果的資料，這個神經網絡引擎是一個雙核的設計，每秒運算次數最高可達6000億次，能大幅提升機器學習的效能。
圖一: 蘋果最新的A12處理器，神經網絡引擎的核心數已達8個。（source: Apple）
而實際的使用情形也證實蘋果所言不假，神經網絡處理技術的的確確讓機器學習有了脫胎換骨的表現。也因此，蘋果最新一代的處理器A12更進一步增強了神經網絡處理單元的性能，更正確的說，是增加了4倍。
在硬件設計上，蘋果的神經網絡引擎是透過一塊FPGA區域來達成，因此在機器學習性能上有很強的自定義能力。而在最新使用7納米制程的A12處理器上，神經網絡引擎的核心數已達8個（A11是雙核），且每秒可進行5萬億次運算（約8.33倍），至于執行Core ML的速度則是上一代的9倍，但功耗卻只有前代的十分之一。
圖二: 各家芯片商的神經網絡運算技術比較。
也因為如此，采用A12處理器的iPhone學習能力驚人，除了能快速甚至即時的運行各項應用程式外，更能夠迅速的辨認模式并做出預測，且不斷的進行改良，堪稱是當代最聰明的智能型手機。也由于新的處理器，iPhone在智能語音和影像辨識的能力有了絕倫的表現。
高通驍龍NPE技術以DSP突破運算性能
神經網絡技術的優勢明顯，各家手機處理器芯片商當然也就陸續投入相關的技術研發，高通（Qualcomm）就是其中一個。旗下的驍龍（Snapdragon）處理器就已經搭載了神經網絡處理引擎（Neural Processing Engine; NPE）技術。
圖三: 高通Hexagon DSP神經網絡執行性能，相比在CPU上執行，能快出5至8倍。（source: 高通）
根據高通的資料，驍龍的NPE是一種整合了多種軟硬件的元件，用來加速終端裝置上（on-device）的AI功能，以改善使用者的體驗，但原則上，高通的NPE是以軟件為中心（software-centric）的解決方案。
而在軟件架構上，高通的NPE是屬于開放的架構，能支援多種神經網絡的框架，包含Tensorflow、Caffe、Caffe2和ONNX，此外，高通也開發了自有的Hexagon Neural Network（NN）函式庫，讓開發者可以讓其AI演算法在驍龍處理器里的Hexagon DSP上執行。
而在最新一代的驍龍處理器855上，NPE已經發展到了第四代，其效能已較第三代有3倍的成長，可對影像、影音、AR/VR與游戲等智能功能進一步優化。只不過高通并沒有具體的說明其NPE的技術細節，硬件的架構也不得而知，也沒有解釋為何是在DSP上運行。但依據高通自己的說法，高通的Hexagon DSP 的神經網絡執行性能，相比在CPU上執行，能快出5至8倍。
聯發科曦力處理器加入NeuroPilot與APU技術
臺灣的聯發科技（MediaTek）當然也看到了人工智能在行動裝置上的應用商機，自2018年初起，就推出了NeuroPilot的技術，并將之首次運用在其手機處理平臺曦力P60上。
根據聯發科的說法，NeuroPilot是基于他們的核心監控與調節技術CorePilot的進階版。CorePilot在2014年就已經被開發出來，其主要作用就是動態監控手機多核處理器的每個核心的工作負載量，并加調節和分配，以提高手機運行的性能并降低電耗。
到了人工智能時代，聯發科也順勢推出了APU技術，并運用在CorePilot所積累的異構運算經驗，推出了NeuroPilot平臺，作為CPU、GPU和APU間的運作協調，以提升整體的AI運算效能。
NeuroPilot平臺約可分為三個層級，頂層是各種APP應用程式；中間層為程序編寫和異構運算（軟件層）；最底層是各種硬件處理器。而其中最關鍵的就是中間的軟件層。
聯發科指出，中間層主要由演算法軟件構成，包括各種軟件的API、神經網絡運行（NN Runtime）、異構運行（Heterogeneous Runtime）。簡單來說，就是所謂的人工智能的運行架構（AI framewrok），以及神經網絡的演算法。
而聯發科的NeuroPilot也是屬于開放式的架構，支援目前市面上主流的AI framework，包含TensorFlow、TF Lite、Caffe、Caffe2、Amazon MXNet、Sony NNabla和ONNX等。聯發科也提供NeuroPilot SDK，其包含Google神經網絡API（Android NN API）和聯發科NeuroPilot擴充元件。
圖四: NeuroPilot平臺可分為三個層級，中間層為程序編寫和異構運算，是最關鍵的一層。（source: 聯發科）
而在硬件方面，除了原本的CPU、GPU外，則是增加了新的人工智能處理器APU，用來提高人工智能應用和神經網絡處理的校能。在最新一款的旗艦處理器P90上，聯發科的APU已升級至2.0版本，比前一代快上四倍，算力達1127GMACs（電腦定點處理能力的量）。
中國海思攜手寒武紀主攻NPU技術
中國華為旗下的海思半導體（HiSilicon），是手機處理器市場一家快速崛起的IC設計公司，目前屢屢在技術上有領先業界表現。該公司在2017年九月就率先發表了一款采用10納米制程的智能手機處理器－麒麟（Kirin）970，該處理器是產界首款具有人工智能神經處理元件（NPU）的手機處理芯片。
海思的NPU同樣是屬于AI應用程式的加速處理單元，也就是針對神經網絡演算法的處理，特別專注于卷積神經網絡（CNN）的應用。根據海思的說法，在相簿模式中，Kirin 970的NPU每秒能處理2,000張照片的處理；若沒有NPU介入，單以處理器運算只能處理約100張而已。
圖五: 最新一代的Kirin 980處理器，其NPU核心數已增加至兩個。（source: 海思）
據了解，Kirin 970的NPU，是由中國的芯片IP商寒武紀（Cambri0con）所提供，并由海思與寒武紀共同合作進行優化的一個模組。
而最新一代的Kirin 980處理器，其NPU核心數已增加至兩個。根據華為的資料，雙核NPU的性能可達到每分鐘處理4,500張圖像，較前一代提升了120%的辨識速度。可以快速執行人臉識別，物體偵測與辨識，物體識別，影像分割和智能辨識等人工智能的應用。
AI需求成形處理器IP商也加入戰場
由于神經網絡的性能卓越，因此除了IC設計商積極投入研發外，處理器IP供應商自然也開始跨入此一領域，包含前段所提到的中國寒武紀之外，以色列的IP商CEVA也開始提供具備神經網絡技術的IP方案。
CEVA近期所發表的WhisPro就是一款基于神經網絡技術的智能語音辨識方案，它采用了可擴展遞回神經網絡（Recurrent Neural Network）技術，可同時辨識多個觸發片語，能運用在智能手機、智能音箱、藍牙耳機和其他語音設備中。
然而有趣的是，雖然神經處器技術的勢頭已經竄起，但處理器IP的龍頭Arm卻是動作緩慢，到目前為止，仍未提供任何的神經網絡解決方案。雖然Arm也看好人工智能的應用市場，但就是遲遲未把具體的產品曝光。
而依據Arm的時程，最快今年第一季才會推出具備人工智能功能的AI處理器－Arm ML CPU。根據Arm的說明，Arm ML處理器也會是一個系列產品，提供多種規格給不同的應用產品，性能范圍是1至4 TOP/s，可滿足不同的產品需求，包含智能手機、智能手機、智能家居和汽車等。
Arm指出，其ML處理器主要有三個部分，一個是MAC引擎，主要是執行卷積云神經網絡的運算；第二是可程式的運算引擎，可以支援未來新的運算元和網絡；第三是資料管理，用來降低AI運算的功耗。
雖然推出的時間晚了，但Arm仍是自信滿滿，由于其處理器的生態系十分龐大且完整，要后來居上也可能是易如反掌。
「我們已經看到機器學習技術正在成熟，市場需求也正在不斷增加，我們認為現在是進入市場的最佳時機。」Arm機器學習副總裁Dennis Laudick說。