A Inteligência Artificial (IA) está chegando ao seu celular. O iPhone X tem uma Neural Engine (ou motor neural, como preferir) em seu chip A11 Bionic; o chip Huawei Kiri 970 tem o que é chamado de Unidade de Processamento Neural ou NPU; e o Pixel 2 tem um chip secreto de processamento de imagem alimentado por inteligência artificial. Então, para que exatamente esses chips são projetados?
Conforme os chipsets para smartphones e tablets têm ficado menores e mais sofisticado, eles começaram a assumir mais tarefas e tipos diferentes de processamentos. Por exemplo, GPUs gráficas integradas agora ficam ao lado dos CPUs no coração dos smartphones mais atuais, lidando com todo o trabalho visual pesado de modo que o processador principal possa respirar um pouco ou se ocupar com outra coisa.
A nova geração de chips IA é muito semelhante, só que desta vez as tarefas designadas são reconhecer fotos de seus animais de estimação em vez de renderizar fundos ultra-realistas para joguinhos.
Do que estamos falando quando nos referimos à IA
IA, ou inteligência artificial, tem um significado literal. O âmbito do termo tende a mudar e evoluir ao longo do tempo, mas de um modo geral é quando uma máquina pode demonstrar pensamento e raciocínio ao estilo humano.
Uma pessoa escondida atrás de uma tela operando alavancas de um robô mecânico é inteligência artificial na forma mais ampla do termo – claro que a IA hoje é muito além disso, mas ter um código programado para codificar respostas em um sistema de computador é apenas uma versão mais avançada para conseguir o mesmo resultado (um robô que age como um ser humano).
Para a ciência da computação e os smartphones no seu bolso, a IA tende a ser mais estreitamente definida. Geralmente envolve machine learning (aprendizagem de máquina), a capacidade de um sistema em aprender para além da sua programação original, e deep learning (aprendizagem profunda), que é um tipo de aprendizado de máquina que tenta imitar o cérebro humano com muitas camadas de computação. Essas camadas são chamadas redes neurais, baseadas nas redes neurais dentro de nossas cabeças.
Assim, a aprendizagem de máquina pode ser capaz de detectar uma mensagem de SPAM na sua caixa de entrada com base em spams que tenha visto antes, mesmo se as características do email recebido não sejam originalmente codificadas para o filtro, ela aprende o que é um email SPAM.
A aprendizagem profunda é muito semelhante, apenas mais avançada, diferenciada e melhor em determinadas tarefas, especialmente em visão computacional – a parte “profunda” significa muito mais dados, mais camadas e ponderação mais inteligente. O exemplo mais conhecido é ser capaz de reconhecer um único cão entre um milhão de fotos de cães.
O bom e velho aprendizado de máquina poderia fazer a mesma tarefa de reconhecimento de imagem, mas levaria mais tempo, precisaria de codificação mais manual e não seria tão precisa, especialmente quando a variedade de imagens aumenta. Com a ajuda dos hardwares superpoderosos de hoje, a aprendizagem profunda (uma abordagem específica para a aprendizagem de máquina, lembre-se), é muito melhor nesta tarefa.
Para colocar de outra forma, precisaríamos dizer para um sistema de aprendizagem de máquina que os gatos tem bigodes para ele ser capaz de reconhecer gatos. Um sistema de aprendizagem profunda descobriria sozinho que os gatos têm bigodes.
Tenha em mente que um especialista em inteligência artificial poderia escrever um volume de livro sobre os conceitos que acabamos cobrir em alguns parágrafos, então tivemos que simplificar, mas essas são as ideias básicas que você precisa saber.
Chips de AI em smartphones
Como dissemos no início, em essência, os chips de IA estão fazendo exatamente o que chips de GPU fazem, apenas voltados para a inteligência artificial em vez de processamentos de gráficos – oferecendo um espaço separado para que cálculos particularmente importantes para a aprendizagem de máquina e aprendizagem profunda possam ser realizados. Tal como acontece com GPUs e processamento de gráficos 3D, os chips IA dão um respiro para o CPU se concentrar em outras tarefas, e ao mesmo tempo reduz o consumo de bateria. Também significa que os seus dados ficam mais seguros, porque menos coisa precisa ser enviada para a nuvem para processamento.
Então, o que isso significa no mundo real? Isso significa que o reconhecimento e processamento de imagem pode ser muito mais rápido. Por exemplo, a Huawei afirma que seu NPU pode executar reconhecimento de imagem em duas mil imagens por segundo. A empresa também afirma que isso seria 20 vezes mais rápido do que esse tipo de processamento em um CPU padrão.
Mais especificamente, o chip pode realizar 1,92 teraflops, ou um trilhão de operações de ponto flutuante por segundo, quando se trabalha com números de ponto flutuante de 16-bits. Ao contrário de números inteiros, números de ponto flutuante – com pontos decimais – são cruciais para os cálculos que rodam pelas redes neurais envolvidas com o aprendizado profundo.
A Apple chama seu chip IA, parte do seu processador A11 Bionic, de Neural Engine. Ele também é dedicado ao aprendizado de máquina e tarefas de aprendizagem profunda para reconhecer o seu rosto, sua voz, gravar animojis e reconhecer o que você está tentando enquadrar na câmera. Ele pode lidar com cerca de 600 bilhões de operações por segundo, segundo a Apple.
Desenvolvedores de aplicativos podem entrar nessa onda por meio do Core ML, um jeito simples de implementar reconhecimento de imagem e outros algoritmos de IA. O Core ML não funciona apenas no iPhone X. E o Neural Engine lida com esses tipos de tarefas mais rapidamente. Assim como acontece com o chip da Huawei, o tempo gasto transferindo toda essa quantidade de processamento de dados para a nuvem deve ser muito reduzido, teoricamente, melhorando o desempenho e, novamente, diminuindo a pressão sobre a autonomia de bateria.
E isso é realmente o que esses chips fazem: lidam com tipos específicos de tarefas que a aprendizagem de máquina, aprendizagem profunda e redes neurais dependem. No seu celular, estão fazem isso mais rápido que a CPU ou GPU. Quando o reconhecimento facial funciona em um piscar de olhos, você provavelmente precisa agradecer o Neural Engine.
É este o futuro? Será que todos smartphones inevitavelmente virão com chips de AI dedicados no futuro? Como o papel da inteligência artificial em nossos aparelhos cresce, a resposta é provavelmente sim. Chips da Qualcomm já conseguem usar partes específicas do CPU para tarefas específicas de IA, e o chip de IA separado é o próximo passo. Neste momento, esses chips estão sendo utilizados para apenas uma pequena porção de tarefas, mas sua importância certamente crescerá.
Imagem do topo: Huawei