行动运算处理器是指用於行动装置的处理器，例如智慧型手机、平板电脑、穿戴式装置等。随着行动装置的普及，行动运算处理器的发展也日益迅速。

图一 : 智能化应用是行动运算的重要趋势

行动运算处理器的最新发展趋势主要有以下几点：

制程技术的提升

行动运算处理器的制程技术不断提升，从最初的45奈米制程，提升到目前的5奈米、3奈米制程，甚至是2奈米制程。制程技术的提升可以提高处理器的性能、功耗和整合度。

多核心架构的普及

多核心架构的普及是行动运算处理器的另一大趋势。多核心架构可以提高处理器的并行处理能力，进而提升处理器的性能。

5G技术的普及

随着5G网路的广泛部署和应用，行动运算市场将受益於更快的网路速度和更低的延迟。这将推动对高性能行动处理器的需求，以支持更复杂的任务，如大资料分析、即时影像处理等。

AI和机器学习

AI的应用是行动运算处理器的另一个重要趋势。AI的应用可以提高行动装置的运算能力，提升用户的使用体验。人工智慧和机器学习的应用越来越广泛，从智慧手机到自动驾驶汽车，再到智慧家居设备。这要求行动处理器具备更高的运算能力和低功耗性能，以满足AI和机器学习的计算需求。

物联网的发展

物联网设备的普及将进一步推动对低功耗、低成本的行动处理器的需求。这些处理器需要具备强大的计算能力和高效的能源管理能力，以支援物联网设备的长期稳定运行。

在行动处理器市场上，竞争非常激烈。主要的竞争者包括高通、苹果、三星、华为等。这些公司都在不断推出新的处理器技术，以提高性能、降低功耗、降低成本，并满足不断变化的市场需求。以苹果的A15 Bionic处理器为例，其采用5奈米制程，以及6核心架构，并整合了新的神经网路引擎，使得其在性能、功耗和AI性能方面都得到了大幅提升。

此外，还有一些新兴的处理器技术，如神经网路处理器和量子计算，这些技术可能会在未来几年内对行动处理器市场产生重大影响。因此，对於行动处理器厂商来说，不断创新和适应变化是至关重要的。

AI的关键角色

人工智慧和机器学习的应用越来越广泛，这要求行动处理器具备更高的运算能力和低功耗性能，以满足AI和机器学习的计算需求。

AI在行动运算中扮演着重要的角色，主要展现於几个层面上。例如智能助理，AI技术（如深度学习）被用於开发智慧助理程式（如Siri、Google Assistant、Alexa等），这些程式可以理解并回答使用者的问题，执行任务，提供排程等，提供便捷的语音交互和个人助理功能。

AI技术也被广泛应用於电子商务和娱乐平台，透过分析用户的历史行为和偏好，为用户提供个性化的推荐。这使得用户可以更容易找出自己可能感兴趣的产品、电影、音乐等。

智能家居也是AI应用的场合，使得使用者可以通过语音控制或手机应用来操控家庭设备，如智慧灯具、智慧音响、智慧安全系统等。另外还可以用来协助优化路线、预测需求、提高客户体验。例如，在交通运输领域，AI可以协助交通管理机构优化交通流，减少拥堵，提高运输效率。

AI在安全领域也发挥了重要作用。例如，AI可以提供生物识别认证系统，如脸部辨识或指纹扫描；识别可疑活动或行为的异常检测系统；确保资料传输安全的加密系统；以及协调救援工作的灾难应对系统。另外如创新体验，透过AI技术来帮助用户创造沉浸式的互动娱乐体验，并产生新形式的内容和创意，让用户可以享受到更加智慧化的游戏体验。

在智能时代来临的今天，Arm架构正持续推动AI的发展，为各种应用带来更多可能性与便利性。Arm应用工程总监徐达勇指出，整个AI的产业推进是所有供应链努力的结果。例如驾驶者监控系统（Driver Monitoring System；DMS）之前就存在了。而车行速度很快，有时候毫秒之差就可能危及驾驶者的安全，如何提升辨识的精准度，让效率更好，这就是 AI 可以发挥的空间。

图二 : Arm应用工程总监徐达勇

以脸部侦测为例，台湾的奇景光电采用 Arm Cortex-M55 以及 Ethos-U55 在进行脸部侦测时，能找出 480 个特徵值（facials landmark），而客户先前所采用的架构解决方案仅能侦测20 个边界框（bounding box）。每种应用都有一个对应的状况，检验相同状况下同一个辨识物在运用不同解决方案下所带来的成果，当 16 个边界框跃升到 480 个特徵值的时候，代表精准度的提升，以及更多的应用场景，例如脸部表情的追踪，这就是 AI 运算提升之前与之後的差别，所有的应用会以更精准更有效率的方式前进。

而合作夥伴也运用 Arm 的工具，及根据神经网路运算的开源库 CMSIS-NN。像是机器学习常用到的矩阵（matrix）或是卷积（convolutional）运算，Arm都能完成并优化，届时只需要呼叫它即可。Arm提供了效能优化且记忆体使用量（memory footprint）极少的解决方案，让客户能从16个特徵点增加到480点。

面对行动装置边缘装置所需要的AI算力，徐达勇认为，在定义架构、讨论算力之前，就要根据工作负载状况选择采用 Cortex-A、Cortex-M 或 NPU 进行运算。例如IoT 涵盖范围很广，有些耗费的运算量很少，像是只做单一的关键字识别，例如亚马逊的智慧音箱，只要一经呼叫它就能启动。相对来讲，摄影机的物件侦测跟辨识功能，其效能要求就比较高。

Arm在CPU、GPU和NPU设计， 也一直支援AI、 机器学习的不断演进，像是Cortex-M v8.1的MVE，就是向量引擎，在处理AI机器学习运算会更有效率。以Cortex-A为例 ，包含支援SVE、SVE2和点积指令（dot product），都是将机器学习常见的运算定义成一个指令，如此在进行机器学习运算的时候效能会更好。

Arm在CPU里也做了一些新的定义，例如支援8 bit整数值或BF16格式（bfloat 16）。在进行机器学习运算的时候，有时候整数值不一定要到16bit或32bit这麽大，虽然在进行研究时需要一些衡量基准，但一般来说用8bit或4bit作为推算就够了，不需要用到这麽宽的资料类型，如此一来运算就会更有效率。就IoT来说，除了具备支援AI机器学习运算的处理器，也需要能支援更具效率的资料类型。

结语

行动运算处理器是行动装置的核心元件，其发展趋势将直接影响行动装置的性能和使用体验。随着行动运算处理器的进化，行动装置将变得更加强大和智能，为用户提供更加丰富和便捷的使用体验。而先进制程技术、多核心架构和AI的应用都将是未来行动运算处理器的主要发展方向。随着这些技术的不断发展，行动装置的性能将得到进一步提升，用户的使用体验也将得到进一步改善。