1、端侧异构芯片加速升级，支撑 AI 专用计算力需求
AI 芯片也被称为 AI 处理器，即专门用于处理人工智能应用中涉及的各类算法的加速计算模块（其他非加速计算任务仍由 CPU 负责）。AI 芯片算力的高速发展，是工业场景和自动驾驶等高实时性 AI 应用的有力保障。同时，芯片在算力和功耗之间的兼顾和优化，将是端侧手机 AI 芯片未来发展的重要主题。
通用芯片奠定 AI 算力基础。 提供 AI 算力的通用型芯片主要包含CPU、GPU 和 FPGA 三种，这三种芯片在传统上分别擅长复杂串行计算、图像处理和可重构电路。在 AI 计算领域，依据不同芯片结构，这几种芯片各有其优缺点。就目前来说，特别在 AI 训练领域，以 GPU 为代表的传统通用芯片仍是业界 AI 算力的中流砥柱。
专用芯片提升端侧 AI 性能。 一般来说， AI 专用芯片指的是 ASIC（Application Specific Integrated Circuit），即专用集成电路，相对 GPU 能提供更好的能耗效率并实现更低的延时。 ASIC 需要大量研发投入，且芯片功能流片生产后无法更改， 量产数目小或市场方向改变，前期投入都将无法回收，具有较大市场风险；但 ASIC 作为专用芯片性能高于 FPGA，依靠特定优化和效能优势，在成本和能效要求极高的手机终端上大行其道。
软硬件协同定义突破性的下一代 AI 芯片技术。 采用可重构计算技术，允许硬件架构和功能随软件变化而变化，具备传统处理器的灵活性和 AI 专用芯片的高性能和低功耗。通过计算阵列重构、存储带宽重构和数据位宽重构三个层面的可重构计算技术来实现“软件定义芯片”，有效提高 AI 芯片自身动态配置能力，实现软硬件协同设计，为 AI 芯片带来了很高的灵活度和适用范围。
目前，大多数手机 AI 芯片厂商采用软硬异构技术方案作为产品技术架构。 高通采用 NPE（Neural Processing Engine）软件框架和Hexagon神经网络库为接口，调动处理器中已有的 CPU、 GPU 和 DSP处理器模块， 实现面向人工智能任务的异构计算，能够运行通过Caffe/Caffe2 或者 Tensorflow 训练的一个或多个神经网络模型；华为通过 HiAI 异构计算平台来加速神经网络计算，快速转化和迁移已有模型，借助异构调度和 NPU 加速过得最佳性能， 目前可以支持Kirin970， Kirin980 等芯片; 联发科的 NeuroPilot 将 CPU， GPU 和APU（AI 处理单元）等异构运算功能内建到 SoC 中，为人工智能应用提供了所需的性能和功效， 支持 TensorFlow， TF Lite， Caffe，Caffe2 Amazon MXNet， Sony NNabla 或其他自定义的第三方通用架构。
2、智能化传感器件逐步成熟，推动感知交互技术创新
以 3D 摄像头为代表的新型光学传感器件崭露头角。 随着用户对于智能手机图像识别精度和准确度等的需求不断增加， 3D 图像传感器开始逐步应用于智能手机。 3D 图像传感器通过 3D 成像技术，能够识别视野内空间每个点位的三维坐标信息，从而得到空间的 3D数据，复原完整的三维世界并实现智能三维定位。目前智能手机主流的 3D成像技术有结构光、飞行时间和双目测距三种。
结构光（Structure Light）方法是将具有特殊结构的光束投射到物体表面，由摄像头采集后，根据光信号的变化计算物体的位置和深度信息，进而复原整个三维空间。飞行时间（TOF， Time Of Flight）方法通过专用传感器，捕捉近红外光从发射到接收的飞行时间，判断物体距离。双目测距（Stereo System）方法是从两个视点观察同一景物，通过三角测量原理计算图像像素间的位置偏差（视差）来获取景物的三维信息。
借助人脸识别， 3D 传感将成为手机零部件的发展热点。 目前市面上大部分手机还属于 2D 识别，即通过前置摄像头读取脸部图片，再利用软件进行对比，实现难度和成本较低，但在光线较差的场景下无法识别解锁； 3D 传感摄像头除使用摄像头外，还配备结构光发射端、结构光接收端或时差测距/距离传感器，可一定程度进行活体判断，防止被攻击破解。 目前，苹果、 华为、 oppo 等发布的新机型开始逐步配备 3D 摄像头， 3D 传感器将会进一步普及，或逐渐成为智能手机的标准配置。
以指纹和人脸为代表的新型生物特征识别技术应用逐渐成熟。 从2018 年开始，部分品牌开始使用人脸识别代替指纹识别，手机指纹识别技术的渗透率出现下降。但由于凭借成本、体验和速度方面的优势，未来一年指纹识别将仍是生物特征识别技术的主流。指纹识别依靠指纹识别传感器，包括传统指纹识别和屏下指纹两种模式。随着智能手机全面屏的发展，传统指纹识别将逐渐被淘汰；未来在生物特征识别领域将是屏下指纹技术与人脸识别技术的较量。
声纹识别的大规模普及还有赖于语音识别技术和体验的提升。 声纹识别依靠手机麦克风捕捉可用电声学仪器显示的携带言语信息的声波频谱模型，根据语音波形实现身份判定。目前市面上已经出现了一些支持声纹解锁的手机，但由于其技术尚未完全成熟，存在复杂环境识别准确率较低，或需要佩戴专用耳机等影响用户体验的问题，因此在手机中的普及度还较低。
3、 5G 网络技术逐步走向商用，极大拓展 AI 应用场景
2018 年 6 月 14 日，第一版本（R15）的 5G 核心网标准已在 SA全会上批准冻结。随着 SA 5G 标准正式确立，城市规模组网试验的展开， 5G 商用已经进入倒计时。2019 年 5G 产业配套将会逐步完备， 2020年开启全球商用。作为第五代移动通信技术， 5G 具有大带宽、低延时、广连接的特点和优势，其三类典型应用场景（增强移动带宽 eMBB、大规模机器类通信 mMTC、超高可靠超低时延通信 URLLC）可分别从数据、时效和算力上为人工智能技术提供更好的支撑基础，大幅促进其各类终端使用场景的落地和应用。
5G 就如同一条“信息高速公路”，为庞大数据量和信息量的传递提供了高速传输通道；人工智能是云端大脑，依靠高速公路传来的信息学习和演化，完成整个机器智能化进程。 5G 时代下，人工智能可以为用户提供更多拥有更快响应、更丰富内容、更智能认知的应用模式。可以说， 5G 补齐了制约人工智能发展的短板，是驱动人工智能发展的新动力。人工智能赋予机器人类的智慧，二者相结合，会为整个社会生产方式的改进和生产力的发展带来前所未有的提升。
4、 AI丰富智能手机应用场景，极大繁荣应用生态
从应用角度。 较为成熟的手机 AI 应用场景聚焦于智能拍照、人像美颜、图片管理、语音助手、智能翻译、语音搜索和增强现实类应用等。
从资源管理角度 。 从操作系统层面看， 通过内部资源智能感知功能， 安卓手机的卡顿问题（APP 资源竞争、后台任务繁重、权限不合理设置、文件碎片化等引起）得到了有效缓解。手机厂商或通过记录用户习惯进行学习，预测用户使用 APP 的行为，标记优先级， 降低冷启动概率；或改变安卓原理和机制，整理内存碎片、消除碎片文件，通过后台内存压缩、极速内存回收保证 CPU 的资源调用。
从芯片层面看， 利用芯片层系统管理和优化，可优化系统运行速度并延长电池寿命；通过在性能核心与能效核心之间合理分配任务，智能地管理芯片的性能，可给用户带来直观的体验提升。华为海思麒麟 970 处理器，利用 NPU 专门处理机器学习相关的运算，采用 HiAI移动计算架构，可根据使用状态智能管理和平衡处理器的性能，达到快速运算且省电的目的。
