正文
由此可见，苹果的野心并不只是研发自动驾驶系统那么简单。
AI专用芯片
对于算法在图形处理单元或GPU（常用于服务器端加速深度学习的处理速度）上的运行效率，苹果还是非常自豪的。一张幻灯片指出，苹果的图像识别算法每秒钟处理的照片是谷歌的两倍，谷歌每秒处理1500张，而他们每秒可以处理3000张，而且大体上只需要1/3的GPU。这种比较是基于在Amazon Web Services（一个云计算的标准）上运行算法做出的。
虽然其他公司正开始基于专用芯片来加速AI工作，如谷歌的TPU（张量处理单元）和微软的FPGA（现场可编程逻辑闸阵列），值得注意的是，苹果是基于标准的GPU。不过，苹果是否为了匹配其客制化客户硬件而构建了自己的客制化GPU，还是从像英伟达这样的大型制造商购买，并没有详细介绍。
另外，苹果用来训练其神经网络识别图像的图片库似乎是专有的，其规模几乎是标准ImageNet数据库的两倍。
神经网络工具Core ML
神经网络工具Core ML， 它构建的神经网络比原始神经网络小4.5倍，精度却没有损失，速度比原先快两倍。在AI研究领域，这项技术使用更强大的神经网络训练另一个网络，使其知道在各种情况下做什么决策。然后，这位“学生”（student）网络就会具备“老师”（teacher）网络知识的精简版本。本质上，对于给定的照片或音频样本，它能做出更大网络的预测。通过精简神经网络，iPhone和iPad可以识别照片中的人脸和位置，或者了解用户的心率变化，并且不需要依赖远程服务器。将这些处理过程封装在手机里可以让这项功能随处可用，而且，这还使得数据无需加密，也无需通过无线网络传输。
Core ML
对于希望将AI构建到自己的iOS应用的开发人员而言，苹果构建的这一套机器学习模型和应用程序协议接口（API），即Core ML，非常有帮助。开发人员可以使用这些工具将图像识别构建到照片应用中，或者引入自然语言处理技术到一个聊天机器人中，可以理解用户所说的内容。
