Google剛剛息鼓，蘋果又燃戰火！這一戰，來自移動應用的AI化之爭。
近日，蘋果釋出專為移動端優化的Core ML後，移動開發者對此的需求到底有多強烈？去年大獲成功的AI應用Prisma又能告訴我們什麼？蘋果的新武器Core ML具體該怎麼用？野心勃勃的蘋果在移動端機器學習上的佈局到底有著怎樣的心機？蘋果真能撼動Google、Facebook的優勢地位嗎？未來AI的走向會不會就此改變？此中答案，本文將娓娓道來。
作者 | 胡永波
本屆WWDC，Core ML是蘋果送給移動開發者的一份大禮。使用它，開發者可以把訓練好的機器學習模型匯入iOS應用，同時在系統層面加速應用內的人工智慧計算。Core ML API支援的具體任務包括影象識別、文字處理、人臉檢測與追蹤，等等。
蘋果這一舉措，正應了Gartner去年10月份預測的移動應用AI化趨勢：科技行業的主戰場很快會變成能夠主動學習和適應、可自主做出反饋的智慧系統之間的競爭。到2018年，全球最大的200家公司中，絕大部分都會推出智慧應用，同時會使用完整的大資料分析工具來重新定義並提升使用者的體驗。
而Gartner的說法，則又來自業已擁有機器學習能力的那些移動應用的市場表現。歸根結底是SnapChat在青少年人群中的流行，是Prisma在去年的異常火爆，是在國內一直被人刷屏的各類美顏照片應用……只要找對場景，有AI加持的移動應用總能脫穎而出。
以Prisma為代表的移動應用AI化
重新回顧一下Prisma的故事，我們總是能找出一些蛛絲馬跡。
作為戰鬥民族的90後，技術發燒友Alexey Moiseenkov在2016年初偶然讀到兩篇關於影象的機器學習論文：《藝術風格的神經演算法（A Neural Algorithm of Artistic Style）》和《利用神經卷積網路進行紋理合成（Texture Synthesis Using Convolutional Neural Networks）》。
藝術風格的神經演算法：提取畫作的藝術風格
論文的作者Gatys等人基於論文中的研究成果，在2015年做出一個收費網站 DeepArt，自動y以大師的繪畫風格來為使用者作畫，其步驟如下：
識別使用者上傳的照片；
學習照片中的藝術風格資訊；
輸出一幅重新繪製出來的作品。
利用神經卷積網路進行紋理合成：對照片紋理進行重繪和渲染
這與人類學習作畫過程類似：
看到一幅作品，對繪畫有個初步的概念；
學習作品中的繪畫風格與筆法；
臨摹上述風格和筆法，重新繪畫。
提取不同名畫的風格，就能渲染出不同效果的照片
但只出現在網頁端的DeepArt服務耗時過長，渲染出一張新照片至少需要20分鐘，並且收費不菲。Gatys等人沒能看到移動市場的機會，這讓年輕的Alexey一下子抓住了靈感，讓他堅信移動端的“AI+影象處理”必定大有可為。
Alexey清楚，在移動端成功的關鍵，是能夠顯著降低影象處理過程的耗時，也就是大幅度提升神經網路的執行效率。為此，他對Gatys等人的演算法研究了兩個月，在不影響移動端影象效果的前提下，儘可能簡化神經網路所需要處理的細節。此處的優化，使得Prisma的耗時僅需幾秒鐘，處理速度相比DeepArt提升了1000倍。
隨後的開發過程，僅用了一個半月。6月11日，Prisma在蘋果應用商店上線。兩週時間，下載量就超過160萬次；三個月後，全球下載量突破7000萬；到年底，Prisma一舉拿下Google和蘋果兩大平臺的“年度最佳應用”。
Prisma的迭代升級一直是圍繞“提速”來進行的，關鍵就是不斷改進影象處理的演算法。
最初，Prisma的3個神經網路都部署在雲端。使用者選取照片效果後，手機上的Prisma應用便將照片上傳至伺服器，雲端的卷積神經網路在解讀照片後，會根據使用者選擇的效果重新渲染出一張新照片，並下載到使用者的手機上。
隨著Prisma開始海外擴張，海外使用者與Prisma位於莫斯科的伺服器通訊問題，成為Prisma載入緩慢的主因。為此，Alexey不得不考慮解決辦法，也就要設法在手機上完成照片渲染的過程。2016年8月，直接使用iPhone處理器，Prisma成為第一個能夠離線執行風格轉換神經網路的手機應用。一張1080×1080解析度的照片，半秒就能轉換成全新的風格。
可以看出，在手機上部署機器學習演算法的需求是極強的。
畢竟，採用AI來編輯或製作照片的不止Prisma一家。2016年3月，SnapChat的動態相機效果Lenses一經發布便大受歡迎，這項技術是SnapChat從它2015年9月收購的那家烏克蘭公司Looksery身上買來的。Facebook緊隨其後，於8月份開始，先後在Instagram、Messenger、WhatsApp上推出能跟SnapChat競爭的濾鏡效果。Facebook的技術則來自它在2016年3月份買下的白俄羅斯公司Masquerad。
於是，從今年開始，Facebook和Google相繼把它們的機器學習框架轉向移動端，在手機應用上直接執行AI演算法的趨勢幾乎不可逆轉。緊接著，便有了我們今天的主角Core ML橫空出世。
用於移動端的Core ML模型
與Google TensorFlow、Facebook Caffe2不同，蘋果的Core ML它專門為iOS移動端的機器學習進行過優化，最大限度減少記憶體的佔用和功耗。而且，即便是網路連線丟失，它還能保證應用的正常工作與響應。
Core ML為iOS Vision API提供影象處理支援，為iOS Foundation API提供自然語言處理上的支援，並支援對iOS GameplayKit的學習決策樹 (learned decision tree) 進行分析。蘋果為開發者準備好的是四個用於影象識別的模型：Places205-GoogLeNet、ResNet50、Inception v3和VGG16，模型格式為Core ML的 .mlmodel 副檔名。
如何製作Core ML模型
藉助於Core ML，開發者還能把訓練好的機器學習模型，匯入至自己的應用內直接使用。它所支援的機器學習模型包括神經網路 (Neural Network)、組合樹 (Tree Ensemble)、支援向量機 (Support Vector Machine) 與廣義線性模型 (Generalized Linear Model)。
蘋果提供的Core ML Tools Python工具包，可以把第三方機器學習工具所建立的已訓練模型轉換成Core ML模型格式。Core ML所支援機器學習框架包括Keras、Caffe、scikit-learn、XGBoost與LIBSVM。
以Caffe模型 (.caffemodel) 為例，通過呼叫轉換器，你可以將其傳遞給 coremltools.converters.caffe.convert 方法：
import coremltools coreml_model = coremltools.converters.caffe.convert('my_caffe_model.caffemodel')
然後，將結果儲存為Core ML模型格式：
coreml_model.save('my_model.mlmodel')
對於Core ML所不支援的格式，比如TensorFlow模型，你只能自己來建立轉換工具，將模型的輸入、輸出和架構表示轉換為Core ML格式。這需要仔細參考Core ML Tools所提供的轉換工具，它們具體演示瞭如何通過每一層模型架構、層與層之間的連線關係進行定義，來把各種第三方模型轉換成Core ML格式。
如何在應用中新增並使用Core ML模型？
以用來預測火星殖民地價格的已訓練模型 MarsHabitatPricer.mlmodel 為例：
首先需要把模型新增到 Xcode 專案中：
也就是將模型拖進專案導航器 (project navigator)
對於 MarsHabitatPricer.mlmodel 而言，Xcode 會生成相應的介面，來分別表示模型本身(MarsHabitatPricer)、模型輸入 (MarsHabitatPricerInput) 以及模型輸出 (MarsHabitatPricerOutput)。
使用所生成的 MarsHabitatPricer 類的構造器，便可以建立這個模型：
let model = MarsHabitatPricer()
獲取輸入值並傳遞給模型：
示例應用使用了 UIPickerView，以便從使用者那裡獲取模型的輸入值。
func selectedRow(for feature: Feature) -> Int {
return pickerView.selectedRow(inComponent: feature.rawValue)
}
let solarPanels = pickerDataSource.value(for: selectedRow(for: .solarPanels), feature: .solarPanels)
let greenhouses = pickerDataSource.value(for: selectedRow(for: .greenhouses), feature: .greenhouses)
let size = pickerDataSource.value(for: selectedRow(for: .size), feature: .size)
使用模型來進行預測：
guard let marsHabitatPricerOutput = try? model.prediction(solarPanels: solarPanels, greenhouses: greenhouses, size: size) else {
fatalError("Unexpected runtime error.")
}
通過讀取 marsHabitatPricerOutput 的 price 屬性，就可以獲取所預測的價格，然後在應用的 UI 內就可以對該結果進行展示。
let price = marsHabitatPricerOutput.pricepriceLabel.text = priceFormatter.string(for: price)
注：此處所生成的 prediction(solarPanels:greenhouses:size:) 方法會返回錯誤提示，因為示例應用所預期的輸入型別為 Double。
使用Core ML所遇到的常見錯誤，是傳遞給方法的輸入資料型別與模型預期的輸入型別不同匹配：比如用錯誤格式表示的圖片型別。
構建並執行 Core ML 應用
Xcode 會將 Core ML 模型編譯到資源中，以進行優化並在裝置上執行。優化過的模型表徵會包含在您的應用程式包內，當應用在裝置上執行時，便可用以進行預測。
蘋果表示，iPhone上經過優化的影象識別，速度能比Google Pixel快6倍。
Core ML可能會有什麼樣的影響
WWDC還沒開完，Keynote引起大家關注後，大會日程中還要講的Core ML有5項：
Introducing Core ML
Vision Framework: Building on Core ML
Core ML in depth
Core ML and Natural Language Processing Lab
Core ML & Natural Language Processing Lab
重點是偏向應用的視覺框架和自然語言處理，蘋果的經驗和支援肯定會讓很多開發者躍躍欲試：只要找對場景，新的像Prisma這樣的現象級AI應用就還會出現。
而隨著iOS應用內機器學習使用門檻的降低，關注AI具體應用的各類工程師也越來越多；隨著iOS開發者的湧入，機器學習領域將不再只是演算法工程師的天下。
那麼，移動開發的另一頭，Google為Android端準備的TensorFlow Lite在今年正式釋出時會如何發力，就更值得關注了。
畢竟，Google不做移動晶片，如何在硬體層面為手機上的AI應用做優化，就成了它繞不過去的問題：是跟高通的Neural Processing Engine合作？還是把自家的TPU小型化？
至於Caffe2，Facebook將如何在系統層面為AI應用做優化，則是一個非常有趣的問題。
誠如Gartner所言，當AI變成科技行業的主戰場時，這裡的事情就有意思多了。
參考內容：
https://developer.apple.com/documentation/coreml
https://developer.apple.com/wwdc/schedule/
http://www.gartner.com/smarterwithgartner/gartners-top-10-technology-trends-2017/
https://backchannel.com/an-exclusive-look-at-how-ai-and-machine-learning-work-at-apple-8dbfb131932b#.cg37ae5f0
https://zhuanlan.zhihu.com/p/26746283
https://developer.apple.com/videos/play/wwdc2017/703/