苹果芯片为什么要用‘仿生’命名？

苹果公司的芯片被叫做“仿生”主要是因为自从2017年的A11开始，在SoC里就加入了专门的人工神经网络引擎（Neural Engine），使设备可以不断地学习、实时地理解和分析图片的内容以及空间的关系，并且还可以识别人的行为——这不是简单的算力堆积，而是在工程学上对生物神经系统的模仿和应用。这个引擎还负责了面部识别、动画表情捕捉以及增强现实等功能，它的每秒钟五万亿次的操作已经发展到了A17级别的三十五万亿次级别之上，并且支撑起了iOS生态系统中的几十种基于人工智能的应用程序。

仿生学的基本原理就是用神经网络引擎来模拟生物体

苹果公司在A11芯片里首次加入的神经网络引擎并不是简单的CPU或者GPU扩充，而是专门用来模仿人脑神经元信号传输和突触可塑性的硬件模块。它的结构由多个核并行张量处理器组成，可以进行低精度浮点以及整数混合计算，在做卷积、矩阵相乘加法等类似生物神经活动的操作上非常有效率。比如每次使用Face ID解锁的时候，这个引擎就会不断地比较几千个面部几何点的变化情况，并根据光线、角度以及细微的表情变化来调整特征值——这样的持续在线学习过程就相当于生物学家所说的“基于经验的学习”。苹果公司自己发布的白皮书中也提到过，该引擎所使用的指令集和内存带宽分配规则都是参照了哺乳动物视觉皮层信息分级编码的方式来进行设计的。

第二部分从A11到A17：仿生能力一代又一代的发展过程

A11有两颗神经网络引擎核心，并且可以做到每秒钟进行六千亿次计算；A12则增加了八个核心，算力达到了五万亿次/秒；A13加入了机器学习加速器来帮助调度工作；而到了A14的时候，则实现了每秒十亿亿次级别的计算能力，并且还能够做实时视频语义分割；直到A17为止，神经网络引擎已经发展成了十六核结构，并且和ISP、M系列等模块一起形成了一个闭环感知链条，在AR测距的过程中，激光雷达的数据经过ISP预先处理之后直接送到神经网络引擎的空间拓扑中去构建模型，然后再由GPU绘制出虚实结合的画面，整个过程中的延迟小于十二毫秒，这就是生物感觉-认知-反应路径在工程上的重现。

三、仿生不只限于人工智能加速，在此意义上，“仿生”给iOS软硬件一体化带来新的模式

命名的背后就是一次系统的重新构建，在iOS 15之后所有的原生相机功能都必须使用神经网络引擎API来实现，包括人像模式的人脸识别、夜间模式多帧合成等；Core ML也需要第三方应用程序通过ML Compute Units上传自己的模型，并且保证推理过程的安全可控；就连Siri的唤醒词检测也是由引擎自己完成的，并不需要唤醒整个操作系统的核心部分。这样做的目的是让“仿生”成为苹果生态系统中的一个基础的信任锚点——开发人员不必再对模型进行量化的调整了，因为系统会根据不同的硬件平台自动地适配各种型号引擎所使用的位宽和缓存策略以保持一致性的AI体验。据WWDC 2023透露的信息显示，在现在的iOS系统里有接近百分之九十七的任务是由神经网络引擎来处理的，而CPU只起到一个调度的作用。

第四部分和行业的通用术语不同的是，苹果的“仿生”技术边界以及它所具有的独特性

需要注意的是，“仿生”并没有被苹果用来进行广泛的宣传推广。它所指的是一种具有实时学习能力、多种模式感知融合功能以及低功耗边缘推理特性的SoC子系统。和安卓阵营中大多数使用NPU命名的方式不同，苹果一直坚持把神经网络引擎当作一个独立的IP核心来开发，并且不会共享GPU显存，还拥有自己的128MB片上缓存和加密内存控制器。根据测试数据，在相同的ResNet-50模型条件下，A17仿生芯片相比于A16可以提高41%的能量效率，而其他竞争对手旗舰级芯片同期能量效率提升幅度大约在22%左右。造成这种差距的原因在于它们都遵循着一种仿生的设计理念——即并不是为了获得最高的计算性能而去追求极致的速度，而是按照生物体对资源的限制来进行设计，从而打造出一个可以持续进化的人工智能基础架构。

因此，“仿生”两字代表了苹果对于移动计算本源的新诠释，它是技术路径的一种宣告，也是生态系统的一道屏障。