近年来，机器学习（ML）技术，尤其是机器学习的神经网络子集，几??已经迅速入侵了行动设备硬体和应用软体的所有层面。许多常用且广泛使用的手机应用程序都在後台运行ML技术，以针对特定用法和行为对设备进行微调。当手机的电源管理系统自动微调性能设置以延长电池寿命时，这就是机器学习的一个例子。当行动设备助理装置追踪正常的行车状况，并发送有关火车或下班回家路上交通异常延误的警示时，这也是机器学习的一种形式。而且，如果社交网路应用程序使用你朋友的名字来标记你所上传的照片，那麽这也是正在运作中的机器学习的最好例证。

Arm机器学习市场行销??总裁Steve Roddy

Arm机器学习市场行销??总裁Steve Roddy指出，上面所提到的范例，都是下载到手机并在CPU或GPU上运行的软体APP应用程序。深度嵌入功能还与行动设备的硬体紧密相关，例如，高性能的神经网路功能可以改善行动设备中的相机视频和静态影像捕获品质。当行动设备连接到无线网路或蜂巢式网路时，高级WiFi和5G调变解调器将采用与机器紧密耦合的自适应机器学习演算法，并最大程度地提高数据传输速率。

Steve Roddy说，在所有这些机器学习的案例中，技术上最具挑战性的是照片与视频的强化功能，通常称为运算摄影。拍摄10秒钟视频或自拍照的消费者，希??在非常高分辨率的感测器上，以每秒60帧的速度执行具有智能对焦和曝光的稳定流畅视频撷取；加上透过语音来启动的命令处理功能，以设置功能并启动或停止视频撷取（自然语言处理）。

在即时视频上同时运行所有这些功能，将会消耗大量的系统运算处理能力。在今年所宣布用於高阶行动领域的最新行动设备，多数都采用了Arm架构处理器来提供具多核运算效能的15～20 TeraOp/Sec神经处理单元（NPU），可以满足这些应用范例中的高运算要求。我们可以预期，在2020年甚至2021年将超过这些运算的水准，以节能和数据频宽高效的方式来提供大量运算，将成为目前行动运算晶片开发人员所面临的最大挑战。