撐起移動AI江山的浮點計算，到底是如何工作的？
如果要為手機行業的未來尋找一個技術錨點，AI絕對當之無愧。
不僅廠商們紛紛孵化出了眾多或真或假的手機AI軟硬體解決方案，消費者決策也開始越來越多地向手機的AI應用傾斜。與此同時，AI也讓手機效能的理解和認知門檻變得越來越高高了。
比如在眾多AI手機硬體評測中，普遍堆砌著一大堆玄幻的技術名詞和數值。具體強在哪裡，能夠優化哪些功能，別說普通消費者，很多程式設計師都未必能說出個所以然。
舉個例子，移動AI晶片的指標中，都離不開浮點數的運算能力，也就是FLOPS（floating point operations per second，每秒計算的浮點數目多少），作為評估手機效能強弱的標準之一。
那麼，浮點運算究竟是怎樣工作的？為什麼會成為手機AI效能的評測標準？又將對我們的生活起到什麼幫助？還真是雲裡霧裡捉摸不透。
今天我們就來嘗試用說人話的方式回答一下這些問題，通過浮點計算這個小切口，窺視一下手機AI技術版圖的冰山一角。
什麼是浮點計算？
首先有必要解釋一下，什麼是浮點計算。
通俗來說，就是一種可以通用表示所有數字的科學計數法。它的表示形式為0.*****×10^***，其中小數點前面是定點小數，後面則是一個定點整數（10的N次方）。比如傳統的1024整數，浮點數就表示成0.1024×10^4。
不難發現，浮點數可以表示出任意一個整數和小數，並且比普通格式的計數方式數位更長，因此計算難度和精度也更高。而利用浮點數進行的運算就是浮點運算。
浮點運算到底有多重要呢？這麼說吧，目前所有的計算機處理器都採用的是浮點運算，手機AI晶片也是以浮點運算能力為基礎展開的。
這種運算能力究竟蘊含著怎樣的能量？又是如何取代定點計算成功上位的？
天選之子：浮點計算髮展史
要搞清楚浮點運算的應用價值，有必要回溯一下，這種計算方式是怎麼來的。
最早將“浮點運算”作為計算機處理引擎概念，是萊昂納多·託雷斯和奎韋多在1914年提出的。直到1938年，第一個使用二進位制浮點數的計算機Z1才正式誕生。1942年，第一個帶有浮點運算硬體單元的計算機Z4出現。到了1946年，貝爾實驗室推出的Mark V，已經可以實現十進位制浮點數運算。
在接下來的數十年間，帶有浮點運算硬體的“科學計算機”開始風靡。1985年，浮點運算的標準IEEE754問世。
而1989年英特爾i 486的推出，正式奠定了浮點運算在計算機歷史上的基礎地位，開始作為標準功能被應用在個人計算機上，處理器的浮點運算能力也成為重要的晶片效能評價指標，代表著硬體製作技術的不斷進步。
進入AI時代，隨著機器學習在電腦及手機等硬體端的普及，浮點運算更是有了新的用武之地。
各種主打AI功能的手機晶片，比如蘋果A11、華為麒麟系列、高通845、谷歌PVC等等，都是以浮點運算作為基本運算單元。預計未來，還有更多的AI功能會以浮點運算展開，直接影響手機AI的發展程序和感官體驗。
那麼，為什麼在處理AI任務時，浮點運算更加遊刃有餘呢？恐怕還要從它的特殊能力說起。
焦不離孟：為什麼移動AI離不開浮點運算？
浮點運算之所以成為手機AI晶片的標配，與新運算需求和傳統硬體之間的矛盾是分不開的。
我們知道，AI任務大多是通過機器學習演算法模仿神經網路來完成的，需要更大的算力和能效來支撐大型矩陣運算。
而傳統CPU的運算邏輯，是進行多組運算並統籌全域性，一次帶動不同部類的系統工作，類似於多面手。在面對神經網路這樣龐大、單一、重複的高併發任務指令時，就有點難以負荷。因此，浮點運算能力更高的GPU就取代CPU，成為AI晶片的首選。
其次，AI手機晶片不僅要更快地處理資料，保證使用中不卡頓，還要能夠支撐大量多媒體技術應用，對手機畫面進行更好的渲染和呈現，這種手機功能的升級需求，傳統的定點運算力不從心，只能交給數位更長、精度更大的浮點運算。
總之，更多的深度學習任務、更大的算力需求、更高的計算精度，加上硬體本身的迭代升級，共同推動浮點運算成為移動AI效能的關鍵指標。
拉開差距：浮點運算的差異在哪裡？
儘管市面上的AI晶片都擁有浮點計算能力，但最終的呈現效果卻各不相同。
有的AI手機能夠帶你裝X帶你飛，有的則處理簡單的識別任務都要等到天荒地老。它們之間的浮點運算能力又有哪些區別呢？
簡單來說，評估AI晶片運算能力的指標主要有三個：
1.吞吐率（throughput）。處理AI任務需要支撐大規模的並行運算，而吞吐率就直接決定著晶片計算速度。這有點像水管，直徑越大，可以同時對外流出的水就更多。
2.FLOPS。即每秒所執行的浮點運算次數。為了衡量吞吐率，就可以折算到具體的浮點運算元量上來。原則上來說，FLOPS越高，單位時間內處理的資料量越大，表現出的影象數量峰值也就越高，從而可以顯示出更加細膩的影象。
3.精度。那麼，是不是隻要看FLOPS值就可以判斷效能高低了呢？並不是。浮點數還會根據精度分為多種型別，以滿足不同的計算需求，比如單精度、雙精度、擴充套件雙精度。
精度會根據任務場景、成本控制、產品線定位等來設計和應用，不同維度上的比較往往失於片面。比如英偉達就在geforce產品線中遮蔽了大部分的雙精度單元，卻在tesla產品線中全部開啟。
總而言之，浮點運算效能對於3D圖形處理和大規模並行任務的表現起到了至關重要的作用。
但其對手機效能的影響大小，取決於硬體設計、處理效率、資料精度等要素的綜合做功。
從理論到應用：浮點運算能給使用者帶來什麼？
說了這麼多技術上的東西，不難發現，浮點運算能力並不是只看數值就能夠判斷出來的。
而對於絕大多數人來說，可能也根本不care複雜的技術概念和引數表。消費者能夠感知到的功能和實際價值，才是真正的意義所在。
那麼落地到具體應用上，浮點運算究竟給端側AI帶來了哪些價值呢？主要體現在三個方面：
首先是帶來了全新的視覺體驗升級。
如今的手機新品釋出會，要是不講點機器視覺的應用，比如拍照識花、視訊美顏、虛擬現實、人臉識別、遊戲渲染等等，都不配被成為AI手機。而這些功能的實現，都離不開浮點運算保質保量的影象處理能力。
另一個改變則是浮點運算對終端算力的加持，減少了AI任務對雲端計算的過度依賴。
在端側就能夠完成一部分機器學習、神經網路方面的計算，一方面可以解決計算的延遲問題，讓手機可以實時處理AI任務，執行更加流暢；另一方面，使用者的資訊無需全部上傳到雲端處理，安全性更有保障。
而更大的價值在於，浮點運算能力的提升，還能夠幫助手機解鎖更多的AI想象力。
浮點的計算速度本身就比定點運算要慢，如果能力欠佳，在面對神經網路和卷積運算的算力要求時，就會力不從心，不僅運算緩慢，還需要大量耗能。又慢又耗電，還要將各種各樣的AI功能都載入到一部手機裡，絕對是一場災難。
幸好，移動晶片浮點運算能力的不斷提升，正在打破手機端的算力桎梏，比如新的TPU就可以在神經網路運算上達到高計算吞吐量，同時能耗和物理空間都很小。
當運算能力不再是問題，移動端AI應用開發的活力也將被徹底釋放，更多創意能夠在手機端開花結果，可以被普通使用者所感知到的AI功能自然也就越來越多。
未來腦洞：浮點運算譜寫的手機功能狂想曲
這裡不妨一起開一下腦洞，浮點運算能力的提升，有可能幫助哪些手機AI應用駛上快車道？
目前看來，至少在以下三個方面存在無限可能：
1.流資料處理。浮點運算能力直接影響處理器的多媒體、3D圖形處理，從而改變大量多媒體技術應用的體驗。
比如實時大規模的資料運算能力，讓人臉識別、人像分割、視訊風格化、虛擬現實等技術在端側進行，更高耦合度的有趣應用（比如annimoji、虛擬主播等）也從理論變為現實，作用於視訊、直播、攝影等功能，創造出新的功能亮點。
2.識別功能。手機AI功能的另一個特點，則是識別和決策能力，比如識別文字（翻譯）、圖片（攝影）、商品（購物）、情緒（互動）、場景（主動服務）等等。
浮點運算能力的進一步提升，將讓手機的智慧化、人格化成為可能，從工具進化成真正的智慧伴侶。
3.IoT。更進一步，越來越多的智慧硬體進入AI互動模式，如果手機的計算傳輸效率被攻破，那麼完全可以作為眾多IoT裝置的大腦中樞，讓智慧硬體互動圍繞手機端展開。
用手機操作和管理智慧家電、無人汽車、體聯網裝置等，將為產業創造出新的價值點。
總體而言，浮點計算的進一步發展，帶給手機的核心改變在於，AI任務所需要的大規模並行運算將不再是問題。
澎湃的算力為廠商和開發者搭建了新的想象力舞臺。如何利用好這一紅利，放飛腦洞創造新應用，構想出未知功能，或許是接下來各個玩家拉開競爭差距的關鍵機遇。
再多說兩句……
當然，在看重浮點運算能力之時，不能忽略這樣一個現狀：浮點運算只是移動AI基礎能力的一個組成部分。它與處理器能力、記憶體的多少、演算法的優劣，甚至作業系統、應用開發等等因素綜合做功，才最終決定一部手機的AI輸出能力。
因此，對於手機廠商來說，除了單點效能的提升之外，也需要在生產成本、開發者生態、市場教育等方面同時發力，最大限度促進移動應用的AI化，才能最終讓算力的提升真正釋放到移動端軟硬體上，化為真實可感的使用者體驗及產業價值增長點。
到那個時候，使用者也就不需要再為複雜的數值和技術名詞所苦惱，直接從體驗上就能感知到不同手機之間的巨大差異。
從這個角度看，浮點計算背後所隱藏的，不僅是AI的真實價值，更是手機產業的新起跑線。