Apple pravi, da je bil čip A13 Bionic zasnovan s fokusom na zmogljivost na vat

V funkciji za WIRED , se je Om Malik sestal z Applovim vodjo trženja Philom Schillerom in inženirjem za izdelavo čipov Anandom Shimpijem, da bi razpravljali o čipu A13 Bionic v novem iPhone 11 , & zwnj; iPhone 11 & zwnj; Pro in iPhone 11 Pro Max .

Malik najprej ponuja pregled specifikacij in izboljšav zmogljivosti čipa A13:

• 8,5 milijarde tranzistorjev , kar je približno 23-odstotno povečanje v primerjavi s 6,9 milijardami tranzistorjev čipa A12
  
  
  
  
• Šestjedrni CPU : dve 2,66GHz visoko zmogljivi jedri z imenom Lightning in štiri učinkovita jedra z imenom Thunder
  

• Štirijedrni grafični procesor , slikovni procesor, ki ga je oblikoval Apple, in osemjedrni nevronski motor za strojno učenje, ki je sposoben izvesti trilijon operacij na sekundo
  

• Do 20-odstotno povečanje učinkovitosti v vseh glavnih komponentah, vključno s CPU, GPU in nevronskim motorjem
  
  Do 30 odstotkov učinkovitejšikot čip A12

Schiller je Maliku povedal, da je eden največjih primerov letošnjega povečanja zmogljivosti pretvorba besedila v govor na iPhonih.

'Izboljšali smo naše zmožnosti pretvorbe besedila v govor v sistemu iOS 13, tako da je obdelave naravnega jezika veliko več, vse to pa naredimo s strojnim učenjem in nevronskim motorjem,' je pojasnil Schiller.

Shimpi je opozoril, da se Apple pri oblikovanju svojih čipov serije A osredotoča na zmogljivost in učinkovitost. »Javno veliko govorimo o nastopu. Toda realnost je, da na to gledamo kot na zmogljivost na vat. Na to gledamo kot na energetsko učinkovitost, in če zgradiš učinkovit dizajn, se zgodi, da zgradiš tudi zmogljiv dizajn.'

Članek ugotavlja, da bo Applova ekipa za izdelavo čipov preučila, kako se aplikacije uporabljajo v napravah iOS, da bi optimizirala prihodnje načrte čipov. 'Za aplikacije, ki ne potrebujejo dodatne zmogljivosti, lahko delujete z zmogljivostjo lanskega leta in to storite z veliko manjšo močjo,' je dejal Shimpi.

Strojno učenje igra tudi veliko vlogo pri čipu A13, saj pomaga pri upravljanju življenjske dobe baterije in optimizaciji zmogljivosti, pravi Schiller. „Pred desetimi leti strojnega učenja ni bilo. Zdaj vedno teče, dela stvari.'