Prisma上述这些体验的不完美，其主要原因是深度神经网络的执行需要大量的计算 。一般而言，建立一款如Prisma的人工智能应用，需要通过训练(training)和推断(inference)两个过程：训练是通过大量的数据输入，或采取增强学习等非监督学习方法，训练出一个神经网络模型，如对于Prisma来说，在训练过程中神经网络学习了大量的绘画风格。一旦训练完成，即可使用由训练确定的权值进行计算，如Prisma中通过训练好的网络改变图像风格，这个应用的过程被称为推断(inference)。

　　由于深度神经网络本身的特征，在推断过程中往往需要大量的权重计算，这在服务器端通常没什么问题，但一旦放在手机等设备上就有点捉襟见肘了。如Prisma的手机本地端计算，虽然通过大量优化显著降低了模型的复杂度(当然这样做的直接后果就是效果变差了)，但对于手机CPU来说仍然负荷很大。

　　这样一来问题就摆出来了，如果要让手机掌握更多的人工智能应用，需要让手机具备强大的计算能力做inference，否则用户体验难以保障，但摩尔定律毕竟放在哪，CPU本身目前难以具备如此的计算能力，这就是深度神经网络在手机等各种嵌入式设备上的应用难题。

　　这时候，深度网络加速芯片应运而生了。

　　深度网络加速芯片是怎么一回事?在深度神经网络的应用过程中，人们发现实际上复杂的神经网络架构中计算量通常都集中在少量的计算类型上，比如矩阵运算，如果设计一款专门优化的硬件芯片从事这些繁重的计算，正如当年CPU对复杂的图像运算力不从心，催生了GPU的出现，岂不是把问题给解决了?

　　业界确实是这样做的，如谷歌自家推出的深度网络加速芯片TPU，定义了十几个专门为神经网络推理而设计的高级指令，比如矩阵运算、计算激活函数、读取/写入内存等，相比用CPU进行相同的计算，TPU的功耗效率(performance/Watt， 每耗电1瓦的性能)比CPU高出80倍，下图列出的是谷歌TPU部分核心的高级指令。

　　这时候，大家是不是想起了比特币矿机中的ASIC(专用集成电路)呢?没错，深度网络加速芯片也是一款ASIC，只不过比特币的ASIC只能进行哈希运算，深度网络加速芯片则定位于承载若干种深度网络的常用计算。

　　而华为Mate 10即将搭配的寒武纪芯片，也正是这样的一款深度网络加速芯片。由于目前寒武纪芯片尚未正式公布，其真实性能情况无从知晓， 但从寒武纪科技自家去年在计算机架构顶级会议ISCA上发布的论文《Cambricon: An Instruction Set Architecture for Neural Networks》中，我们就能够管中窥豹 。论文中提及了寒武纪(Cambricon)是一款面向于目前 神经网络技术，集成了常量运算、向量运算、矩阵运算、逻辑运算、数据转换以及控制指令等功能 的深度神经网络加速芯片架构(…..we propose a novel domain-specific Instruction Set Architecture (ISA) for NN accelerators, called Cambricon, which is a load-store architecture that integrates scalar, vector, matrix, logical, data transfer, and control instructions, based on a comprehensive analysis of existing NN techniques.)，其主要定位是解决深度神经网络中推断(inference)所涉及的复杂计算问题。

　　到此为止，华为Mate 10上的麒麟970芯片，所搭载的人工智能模块就相当清晰了：与其说它是一块人工智能芯片，更准确地说是一块深度网络加速芯片，主要用于加速人工智能中深度神经网络所带来的复杂计算。

　　若真如此，华为粉丝们的热切期待恐怕会失望了，麒麟970本身不会带来任何梦幻的智能，而是赋予了手机本身处理深度神经网络中前所未有的计算能力，让如Prisma等需要跑在深度神经网络上的应用能够有革命性的体验。