行動運算處理器是指用於行動裝置的處理器，例如智慧型手機、平板電腦、穿戴式裝置等。隨著行動裝置的普及，行動運算處理器的發展也日益迅速。

圖一 : 智能化應用是行動運算的重要趨勢

行動運算處理器的最新發展趨勢主要有以下幾點：

製程技術的提升

行動運算處理器的製程技術不斷提升，從最初的45奈米製程，提升到目前的5奈米、3奈米製程，甚至是2奈米製程。製程技術的提升可以提高處理器的性能、功耗和整合度。

多核心架構的普及

多核心架構的普及是行動運算處理器的另一大趨勢。多核心架構可以提高處理器的並行處理能力，進而提升處理器的性能。

5G技術的普及

隨著5G網路的廣泛部署和應用，行動運算市場將受益於更快的網路速度和更低的延遲。這將推動對高性能行動處理器的需求，以支持更複雜的任務，如大資料分析、即時影像處理等。

AI和機器學習

AI的應用是行動運算處理器的另一個重要趨勢。AI的應用可以提高行動裝置的運算能力，提升用戶的使用體驗。人工智慧和機器學習的應用越來越廣泛，從智慧手機到自動駕駛汽車，再到智慧家居設備。這要求行動處理器具備更高的運算能力和低功耗性能，以滿足AI和機器學習的計算需求。

物聯網的發展

物聯網設備的普及將進一步推動對低功耗、低成本的行動處理器的需求。這些處理器需要具備強大的計算能力和高效的能源管理能力，以支援物聯網設備的長期穩定運行。

在行動處理器市場上，競爭非常激烈。主要的競爭者包括高通、蘋果、三星、華為等。這些公司都在不斷推出新的處理器技術，以提高性能、降低功耗、降低成本，並滿足不斷變化的市場需求。以蘋果的A15 Bionic處理器為例，其採用5奈米製程，以及6核心架構，並整合了新的神經網路引擎，使得其在性能、功耗和AI性能方面都得到了大幅提升。

此外，還有一些新興的處理器技術，如神經網路處理器和量子計算，這些技術可能會在未來幾年內對行動處理器市場產生重大影響。因此，對於行動處理器廠商來說，不斷創新和適應變化是至關重要的。

AI的關鍵角色

人工智慧和機器學習的應用越來越廣泛，這要求行動處理器具備更高的運算能力和低功耗性能，以滿足AI和機器學習的計算需求。

AI在行動運算中扮演著重要的角色，主要展現於幾個層面上。例如智能助理，AI技術（如深度學習）被用於開發智慧助理程式（如Siri、Google Assistant、Alexa等），這些程式可以理解並回答使用者的問題，執行任務，提供排程等，提供便捷的語音交互和個人助理功能。

AI技術也被廣泛應用於電子商務和娛樂平台，透過分析用戶的歷史行為和偏好，為用戶提供個性化的推薦。這使得用戶可以更容易找出自己可能感興趣的產品、電影、音樂等。

智能家居也是AI應用的場合，使得使用者可以通過語音控制或手機應用來操控家庭設備，如智慧燈具、智慧音響、智慧安全系統等。另外還可以用來協助優化路線、預測需求、提高客戶體驗。例如，在交通運輸領域，AI可以協助交通管理機構優化交通流，減少擁堵，提高運輸效率。

AI在安全領域也發揮了重要作用。例如，AI可以提供生物識別認證系統，如臉部辨識或指紋掃描；識別可疑活動或行為的異常檢測系統；確保資料傳輸安全的加密系統；以及協調救援工作的災難應對系統。另外如創新體驗，透過AI技術來幫助用戶創造沉浸式的互動娛樂體驗，並產生新形式的內容和創意，讓用戶可以享受到更加智慧化的遊戲體驗。

在智能時代來臨的今天，Arm架構正持續推動AI的發展，為各種應用帶來更多可能性與便利性。Arm應用工程總監徐達勇指出，整個AI的產業推進是所有供應鏈努力的結果。例如駕駛者監控系統（Driver Monitoring System；DMS）之前就存在了。而車行速度很快，有時候毫秒之差就可能危及駕駛者的安全，如何提升辨識的精準度，讓效率更好，這就是 AI 可以發揮的空間。

圖二 : Arm應用工程總監徐達勇

以臉部偵測為例，台灣的奇景光電採用 Arm Cortex-M55 以及 Ethos-U55 在進行臉部偵測時，能找出 480 個特徵值（facials landmark），而客戶先前所採用的架構解決方案僅能偵測20 個邊界框（bounding box）。每種應用都有一個對應的狀況，檢驗相同狀況下同一個辨識物在運用不同解決方案下所帶來的成果，當 16 個邊界框躍升到 480 個特徵值的時候，代表精準度的提升，以及更多的應用場景，例如臉部表情的追蹤，這就是 AI 運算提升之前與之後的差別，所有的應用會以更精準更有效率的方式前進。

而合作夥伴也運用 Arm 的工具，及根據神經網路運算的開源庫 CMSIS-NN。像是機器學習常用到的矩陣（matrix）或是卷積（convolutional）運算，Arm都能完成並優化，屆時只需要呼叫它即可。Arm提供了效能優化且記憶體使用量（memory footprint）極少的解決方案，讓客戶能從16個特徵點增加到480點。

面對行動裝置邊緣裝置所需要的AI算力，徐達勇認為，在定義架構、討論算力之前，就要根據工作負載狀況選擇採用 Cortex-A、Cortex-M 或 NPU 進行運算。例如IoT 涵蓋範圍很廣，有些耗費的運算量很少，像是只做單一的關鍵字識別，例如亞馬遜的智慧音箱，只要一經呼叫它就能啟動。相對來講，攝影機的物件偵測跟辨識功能，其效能要求就比較高。

Arm在CPU、GPU和NPU設計， 也一直支援AI、 機器學習的不斷演進，像是Cortex-M v8.1的MVE，就是向量引擎，在處理AI機器學習運算會更有效率。以Cortex-A為例 ，包含支援SVE、SVE2和點積指令（dot product），都是將機器學習常見的運算定義成一個指令，如此在進行機器學習運算的時候效能會更好。

Arm在CPU裡也做了一些新的定義，例如支援8 bit整數值或BF16格式（bfloat 16）。在進行機器學習運算的時候，有時候整數值不一定要到16bit或32bit這麼大，雖然在進行研究時需要一些衡量基準，但一般來說用8bit或4bit作為推算就夠了，不需要用到這麼寬的資料類型，如此一來運算就會更有效率。就IoT來說，除了具備支援AI機器學習運算的處理器，也需要能支援更具效率的資料類型。

結語

行動運算處理器是行動裝置的核心元件，其發展趨勢將直接影響行動裝置的性能和使用體驗。隨著行動運算處理器的進化，行動裝置將變得更加強大和智能，為用戶提供更加豐富和便捷的使用體驗。而先進製程技術、多核心架構和AI的應用都將是未來行動運算處理器的主要發展方向。隨著這些技術的不斷發展，行動裝置的性能將得到進一步提升，用戶的使用體驗也將得到進一步改善。