您的智能手机有多“智能”？ 答案是：非常高的水平。
2017 年，人工智能 (AI) 开始进军智能手机领域。AI 既可在智能手机连接的云端运行，也可在智能手机自身上运行。
AI 手机采用端侧 AI 引擎，可从传感器中获取数据、分析数据，然后在设备端本地执行存储和计算。在执行面部识别、活动预测和增强型数据加密等任务时，AI 手机必须妥善平衡对额外存储和计算能力的需求以及手机的体积限制、成本效益和电池电量等因素。搭载了 AI 芯片的智能手机必须基于本地数据快速做出准确的决策，因此依赖于创新型大容量高速系统内存和存储。
AI 智能手机的真实用例
新型智能手机凭借其增强的图像、听觉及语音处理能力，为用户带来全新体验。接下来智能手机中将出现更多 AI 创新应用，如语言处理、人类活动预测以及增强型数据加密等。
随着面部识别技术在用户身份验证中的日益普及，创新者运用端侧 AI 技术，提高了用户身份验证过程的复杂度，以此增强安全性，同时也提高了便捷性。例如，以前攻击者使用照片来欺骗面部识别系统。如今，智能手机用户身份验证技术结合多个 3D 深度传感器与红外相机技术，实现了既安全又快速的验证过程。
利用端侧 AI 技术实现的自然语言翻译，增强了多数智能手机中已有的语音识别功能。此外，通过意图预测功能，智能手机能在本地快速分析和处理手机通话和聊天对话，迅速预测用户的行为。基于此项能力，智能助理可向用户提出行动或购买建议。未来的智能手机应用会将某些原本依赖云端机器人的买家辅助功能迁移至本地，带来更快速、更安全的用户体验。
云端 AI 与端侧 AI 相结合，将拓宽 AI 技术的应用范围。例如，加州大学伯克利分校研发了一款名为“MyShake”的地震预警应用。该应用利用手机中的加速度传感器（用于在用户旋转手机时调整屏幕显示方向）和 GPS 来测量当地地震波的强度。这款应用通过收集附近其他“MyShake”用户的报告数据，然后在云端对数据进行综合分析，实现了个人地震报警仪以及地震预警系统。
智能手机成为学习设备
AI 向本地、端侧转移背后的推动力量是新型专用 AI 处理芯片。从技术上讲，该芯片更适合机器学习，而非传统意义上的 AI。机器学习是 AI 的子集；它是一种技术，通过处理不同类型的数据并最终生成可重复的模式，帮助机器自动学习并随着时间推移提高能力，无需手动编程。这些机器学习应用利用神经网络系统对数据进行分类，使计算机能够更迅速地归类数据。2017 年，工程师们掌握了将新型 AI 器件集成到片上系统 (SoC) 的技术，显著提升了执行“智能”或 AI 辅助任务的性能与效率，使此类任务的执行能够适应手机的功耗和体积限制，并具有较低的成本。
随着 AI 的发展，移动设备在体积与功耗方面面临更大挑战
在智能手机的内部组件中，CPU/GPU、显示器和内存的功耗较大。此外，当今的新型 AI 引擎也具有相当高的功耗。消费者希望拥有更高分辨率的显示器，这要求设备配备更大容量的内存，但同时也增加了系统负载。因此，电池续航能力仍然是制造商的主要关注点之一。
预计商业 5G 网络服务将于今年晚些时候在部分城市正式推出。未来的 5G 网络将覆盖所有地区。这是一种超高速无线连接技术，相比现有 4G 网络，其吞吐量提升了 50 倍，网络延迟至少可降低 5 倍，将为多媒体和视频体验带来前所未有的众多可能性。然而，在不增加功耗或占用额外空间的前提下，移动设备必须配备更为复杂的内存子系统，才能满足日益增长的速度与存储需求。
专用 AI 引擎需要高性能设备
本地 AI 处理将带来对大容量内存和存储的需求。更重要的是，随着越来越多的 AI 专用应用推出，对高性能存储的需求将呈指数级增长。
对于需要高密度、大容量、小体积移动设备的客户而言，3D NAND 是首选存储解决方案。利用新一代 64 层垂直堆叠 3D NAND 技术制造的存储设备，容量是传统 2D 平面 NAND 技术的 6 倍。
此外，新一代 3D NAND 内存设备支持高性能 UFS 存储接口，可同时执行读写命令，随机读取速度比上一代 e.MMC 5.1 接口更快。3D NAND 芯片与高速 UFS 接口相结合，可在更小的芯片面积上实现更大存储容量，能够为支持 AI 的移动设备显著降低成本与功耗，同时大幅提升设备性能。
前景广阔
智能手机上的智能辅助功能必须能够快速处理数据流，然后做出精准的决策。速度缓慢的存储和内存将会影响 AI 的训练性能，导致更长的训练过程和设备待机时间，以及电池电量的快速消耗。令人振奋的是，内存与存储技术的创新实现了更快的 I/O 操作，支持近乎实时的 AI 计算，充分满足了 AI 引擎日益增长的数据处理需求，能够带来更流畅的用户体验。