1、 手机芯片产业
人工智能驱动移动芯片产业创新。 时至今日，摩尔定律遇到了技术和经济上的双重瓶颈，处理器性能的增长速度越来越慢，然而在移动应用、大数据、人工智能等新的应用兴起后，对于计算能力、计算功耗和计算成本的需求并未减缓。据 Strategy Analytics 的数据显示， 2018 年第一季度拥有 AI 能力的智能手机应用处理器市场份额同比增长近三倍。受益于 AI 带来的东风，苹果、海思、高通和三星等智能终端企业也在通过多种方式推动 AI 芯片市场的创新，如专用 AIIP 模块、 DSP 与 GPU 的异构组合等。
人工智能拉动手机芯片市场增长。 手机 AI 芯片在终端领域迅速渗透，产业规模将呈现快速扩张之势。从 2017 年开始，苹果、 华为海思、高通、联发科等主要芯片厂商相继发布支持 AI 加速功能的新一代芯片，目前 AI 芯片逐渐向中端产品渗透。除了追求性能提升外，手机 AI 芯片也逐渐专注于特殊场景的优化。2017 年全球手机 AI 芯片市场规模 3.7 亿美元，占据全球 AI芯片市场的 9.5%。预计 2022 年将达到 38 亿美元，年复合增长率达到 59%，未来五年有接近十倍的增长。
人工智能加剧手机芯片市场竞争。 2017 年全球手机 AI 芯片市场规模 3.7 亿美元， 发展空间巨大。手机 AI 芯片的迅猛增长之势，吸引了包括谷歌、 Facebook、微软、亚马逊以及百度、阿里、腾讯在内的互联网巨头相继入局，加剧原有手机芯片市场竞争。在云端，Nvidia 的 GPU 芯片被广泛应用于深度神经网络的训练和推理；Google TPU 通过云服务 Cloud TPU 的形式把 TPU 开放商用，处理能力达到180 Tflop，提供 64 GB 的 HBM 内存， 2400 Gbit/s 的存储带宽。三星、苹果、华为、高通、联发科等厂商纷纷推出 AI 芯片，并竞相推出升级产品。
人工智能加速手机芯片实现先进工艺突破。 手机 AI 产业链包括三大环节，分别是提供 AI 加速核的 IP 授权商、各种 AI 芯片设计公司、以及晶圆代工企业。目前产业链环节各企业基本就位， IP 授权企业包括新思、 Cadence、 GUC、 ARM； 设计企业包括苹果、高通、联发科、海思； 代工企业主要有台积电。由于手机空间有限，独立的AI 芯片很难被手机厂采用。 AI 芯片对单位能耗算力要求较高，一般采用 14nm/12nm/10nm 等先进工艺生产，台积电目前已实现 7nm AI 芯片量产。
2、 手机软件产业
操作系统厂商将 AI 作为战略转型重点，推动手机操作系统厂商作出重要战略转型。 操作系统加持 AI，可以实现一定的认知功能，使操作系统发展成为智能助理和电子顾问。基于神经网络的操作系统，具备了工作记忆、预测、情境启动、抽象、分类等弱人工智能功能，使操作系统高效工作，人与操作系统的交互更加自然便捷。目前，谷歌、微软等操作系统厂商均将 AI 作为未来战略重点。许多基于人工智能的操作系统项目正在研究推进，苹果 Siri、 Google Now、微软小娜、三星 Galaxy AIUX、荣耀 Magic 等，应用自然语言处理、深度学习算法等实现语音交互、 拍照优化、 增强操作系统流畅度等功能。
操作系统整合移动端 AI算法框架助力 AI向终端侧发展。近两年，各大厂商纷纷推出轻量化的 AI 算法框架， 适用于部署在手机等轻量级硬件平台上， 包括谷歌的 Tensorflow lite、 Facebook 的 Caffe2、苹果的 Core ML、XMART LABS 的 Bender、百度的 Mobile Deep Learning library 等。此外， Google 开源了专为移动端优化的 MobileNets 模型， Face++ 提出了适合移动端的 ShuffleNet 模型，这些使得移动端模型大为丰富。 AI 算法框架运行于操作系统之上， 通过 API 接口进行模型调用实现 AI在终端上的快捷部署，实现手机 APP图像识别、自然语言处理等各种功能。
人工智能推动面向手机应用和系统优化算法演进。 一是人机语音交互， 苹果 Siri、 Google Now、微软小冰等应用自然语言处理、深度学习算法等实现语音交互；二是拍照优化，通过虚化、图像处理等算法和海量数据训练，让手机替代人类进行专业摄影知识的学习；三是身份认证，基于深度学习算法和海量数据训练，准确识别生物属性，可以应用于智能客服、身份验证、内容审核等场景；四是系统优化，终端能耗智能管理方面，通过在操作系统中加入自适应电池（Adaptive Battery）功能，减少 CPU 负担，并提供贴合用户使用习惯的“自动亮度”功能，实现节能；解决卡顿方面，通过在系统中加入 AI 算法，学习用户习惯，预测用户使用 APP 的行为，实现资源智能分配。
人工智能推动终端侧深度学习算法框架开源。 基于深度学习的推断的计算量相对训练过程小很多，但仍涉及到大量的矩阵卷积、非线性变换等运算，为了满足在终端侧限定设备性能及功耗等因素的场景，业界开发了众多终端侧软件框架，包括最早出现的终端侧推断软件框架 Caffe2go、可以运行在 Android 和 iOS 平台的 TensorFlowLite，这些框架可助力移动平台实现较为高效的 AI 移动端应用速度，以及优化拍照、语音等应用。手机 AI 平台的终极竞争是生态，通过开放 AI 能力聚拢上下游产业链是大势所趋，因此以上深度学习框架均采用开源模式。
