半岛彩票人工智能（AI）作为新一代信息技术的代表，正以惊人的速度发展并广泛渗透至各行各业。2023年，以ChatGPT为典型代表的生成式AI引领了全球技术潮流。
ChatGPT自2022年11月30日上线以来，仅用五天便吸引了100万用户，而相比之下，Netflix则用了三年半时间才达到相同的用户量。仅两个月后，ChatGPT的用户估计已达到1亿。
经历了过去一年的洗礼，大众已经对生成式AI有所了解。类似ChatGPT-4等这样的模型可以生成逼真的图像、视频、音乐等内容，可以用于广告、娱乐、教育等领域。不过，ChatGPT这样的大模型应用主要是在云端，需要大量的数据进行训练，而且需要强大的芯片引擎来驱动。如果你觉得离你的生活还有点远，那么这一轮正在席卷消费电子领域的AI热潮可能会让你眼前一亮。
在今年的国际消费电子展（CES）上，多款搭载生成式AI技术的设备，如智能手机和个人电脑，甚至是汽车，齐刷刷亮相在展会上。还有众多普通AI技术的设备五花八门。这些现象表明，AI正在找到越来越多的可行、有实际价值的应用场景。然而，这些AI能否全面落地，仍需拭目以待。
首先是出货量最大的单品——智能手机。如果说前几年围绕手机的竞争是在拍照、摄像和显示器等领域，那么2024年，市场的焦点将围绕生成式AI展开，更确切地说，是从2023年下半年就开始了：
可以看出，在手机领域，生成式AI已经成为手机厂商的核心竞争力之一。多年来，手机一直在使用人工智能来润色照片并改进自动更正功能，但生成式人工智能工具可以将移动体验提升到新的水平。在设备上使用生成式人工智能的优势是，搜索的查询和个人数据都是保密的，不会通过远程服务器转发。而且使用本地人工智能也比等待云计算更快，而且它可以在飞机旅行或其他缺乏手机服务的地区工作。
而这些手机模型的顺利运行离不开背后的手机处理器支持。在手机处理器技术领域，高通的Snapdragon系列芯片是全球多数高端Android手机的动力核心，其最新款Snapdragon 8 Gen 3芯片已经纳入了生成式AI的功能考量。联发科的天玑9300 5G手机芯片，集成联发科第七代AI处理器APU 790，也是为生成式AI而设计，能够支持终端运行10亿、70亿、130亿、最高可达330亿参数的AI大语言模型。
与此同时，谷歌的Tensor G3芯片也为其智能手机的生成式AI应用铺平了道路，该芯片集成了最新一代的ARM CPU、升级版GPU、新的图像信号处理器（ISP）、以及专为谷歌AI模型量身定制的下一代张量处理单元（TPU）。Tensor G3在语音识别和自然语言处理方面做出了显著投入，并在照片及视频处理领域实现了大幅度提升。
作为手机处理器领域的资深参与者，苹果至今尚未公布相关动态，引发了公众的广泛好奇。然而，在如此强劲的AI浪潮中，苹果不可能置身事外。据彭博社近期报告，苹果正在积极开发一系列新功能，这些功能将应用于iPhone和其他依赖AI技术的产品。
随着手机处理器厂商推出具备生成式AI功能的芯片，将为手机厂商开发和部署AI功能提供强大的硬件支持，从而加速“AI手机”的落地。而且“AI手机”将成为未来智能手机的主流趋势。
在PC领域，AI可以提升PC的性能和体验，可以用于图像处理、视频编解码、游戏等应用。在CES大会上，联想展示了基于文字输入的AI功能，称为“AI Now”，它既可以文生图或生成壁纸，还可以根据输入的文字给出一些指令，比如输入“我的电脑配置”等提示会立即显示有关您的电脑的硬件信息，无需深入研究晦涩难懂的 Windows子菜单等等；惠普的新款Omen Transcend 14展示了如何使用 NPU 来卸载视频流任务；宏碁的Swift笔记本电脑集成了时域降噪以及宏碁所谓的 PurifiedView和PurifiedVoice 2.0，用于AI 过滤音频和视频；戴尔的新XPS 笔记本电脑系列将配备内置的Microsoft Copilot人工智能键。这些功能虽然有点小众，但很有用，正在逐渐使我们的日常工作更加简便化。
而驱动AI PC的关键处理器是英特尔的Core Ultra、AMD的Ryzen AI和高通的Snapdragon X Elite。在这些芯片路线图中，“CPU+GPU+NPU”已经成为PC处理器的标配。就是这个关键的NPU，为PC处理器带来了新的活力。
芯片制造商构建NPU模块是因为他们可以在相对较低的功耗需求下实现 AI 功能的高水平性能。一方面，NPU被用来接管原本由CPU和GPU处理的特定任务，例如，背景虚化、面部检测、噪声消除等任务在专用AI引擎上能够更高效地执行，这不仅释放了CPU和GPU的处理能力用于其他任务，也有助于提升整体的电源效率。另一方面，采用NPU，整个系统还可以受益于对内存的共享访问以及通过更优化的数据移动来提高效率。
英特尔酷睿Ultra处理器专为高端笔记本电脑打造，新芯片采用intel 4节点，以及英特尔Foveros 3D混合架构，其中首次添加了神经处理单元 (NPU)，内置的英特尔的Arc GPU也比以前的iGPU有很大提升，英特尔声称，Ultra 7 165H在PL1设置为28W的情况下，比普通处理器低25%的功耗。其所能带来的人工智能功能包括实时语言翻译、自动推理和增强的游戏环境。下图展示了不同版本在不同性能中的表现。采用英特尔酷睿Ultra处理器的电脑品牌如MSI、华硕、宏碁、联想等公司的电脑已经上市。
2023年1月，AMD推出了配备AMD集成Ryzen AI引擎的Ryzen 7040移动系列处理器。该专用引擎采用AMD XDNA架构构建，与将数据发送到云端相比，旨在提供更低的延迟、更长的电池寿命以及运行AI工作负载的安全环境。AMD首席执行官苏姿丰表示，目前市场上有超过50款采用Ryzen AI的笔记本电脑设计。
上图左侧显示了传统的多核 CPU，混合了单独和共享缓存以及 CPU 与主内存的链接。右侧显示了 AMD XDNA AI 引擎的框图及其根本不同的内存层次结构。（图源：AMD）
行业普遍认为，有了这一轮AI的加持，PC市场可能在继2022和2023年需求下滑之后，在2024年迎来一波上升的趋势，而且在2025年及以后会显著加速。
英伟达在CES上也推出了可增强生成式AI性能的 GeForce RTX SUPER桌面GPU。SUPER GPU中的Tensor Core每秒可进行高达836万亿次运算，为游戏、创作和日常生产力带来变革性的AI功能。为了帮助开发人员使用PC级性能和内存占用快速创建、测试和定制预训练的生成式AI模型和LLM，NVIDIA还发布了NVIDIA AI Workbench。
AI也正在成为购车者的新动力。在汽车领域，AI可以实现自动驾驶、车联网等功能，可以提升汽车的安全性和便利性。在电动化和智能化的发展趋势下，目前，由人工智能驱动的高级驾驶辅助系统已成为新车的标准配置。
而今年，一个趋势是汽车OEM开始探索生成式AI的引入。在CES上，大众汽车宣布将于今年晚些时候开始在其汽车中提供ChatGPT版本，这是与美国软件开发商Cerence合作的结果。据Cerence的首席技术官Iqbal Arshad表示，他的公司正在与10至15家主要汽车制造商进行合作谈判。
汽车芯片市场是英伟达、高通等公司的主要竞争领域。英伟达的自动驾驶芯片Orin已经被各大汽车OEM采用。高通则在智能座舱芯片横霸市场，Snapdragon数字座舱平台目前具有生成式人工智能功能。但是随着英特尔的强势来袭，这个竞争市场可能将变得更加激烈。
在CES上，英特尔推出了一款新的AI增强型软件定义车载SoC系列，吉利旗下的极氪品牌是英特尔该芯片的第一家采用者，极氪计划在其车辆中打造“增强型客厅体验”，视频会议和AI语音助手功能。除此之外，2024年1月10日，英特尔还宣布计划收购一家专注于智能电动汽车能源管理SoC的无晶圆厂的芯片和软件公司Silicon Mobility SAS。需要强调的是，英特尔不是新进玩家，其SoC已经应用于超过 5000 万辆汽车，在信息娱乐、显示器、数字仪表盘市场占据一席之地。
AI电视，也是AI的一大应用场景。主要的落地点在于AI屏幕。利用AI，电视能增强清晰度、色彩和清晰度。三星的Neo QLED 8K芯片-NQ8 AI Gen3中内置了NPU，神经网络数量达到512个。三星在CES上展示了一种基于人工智能的设备上光学字符识别（OCR）技术，可以充当字幕的“语音指南”。它还展示了一种名为Relumino Together 的模式，该模式使用人工智能来增强弱视人士的图像。
此外，各种AI机器人也在不断的升级，LG在CES大会上就展示了一款人工智能驱动的机器人伴侣，如果有人在家中摔倒，它可以呼叫救护车。
AI智能牙刷、智能镜子、智能眼镜等等，这些AI设备正在逐渐走进我们的日常生活，为我们的生活带来了便利和改变。
综上可以看出，在生成式AI、手机、汽车、PC等多个领域，人工智能正开始为科技世界注入活力。虽然，这其中大多数产品往往都是概念性的，只是展示了其可能性，有些可能短期内不会在市场上实现。但有些功能确实逐渐渗透到消费者手中，这些应用于智能手机、PC和汽车上的AI更多的是一种进化，而不是一场革命。
总的来说，2024年将是AI落地很重要的一年。这一轮的落地不同以往，AI逐渐在出货量较大的手机、笔电等消费类设备中有了很好的应用场景。但是，要使人工智能发挥到切实有效，需要CPU、GPU和NPU级别的强大马力，因此，这个重担无疑交到了芯片巨头的身上，高性能的AI芯片对于加速AI技术的落地具有重要意义。
当然，AI技术的全面落地不仅是技术层面的挑战，还涉及到经济、法律、伦理和社会等多个方面的复杂因素。要实现这一目标，需要各方面的共同努力，包括技术创新、政策制定、教育培训、公众意识提升等。同时，必须采取措施来解决这些挑战，包括加强数据保护、提高技术透明度和可解释性、促进跨学科合作，以及在人才培养和技术研发上加大投入。
