Google刚刚息鼓，苹果又燃战火！这一战，来自移动应用的AI化之争。
近日，苹果发布专为移动端优化的Core ML后，移动开发者对此的需求到底有多强烈？去年大获成功的AI应用Prisma又能告诉我们什么？苹果的新武器Core ML具体该怎么用？野心勃勃的苹果在移动端机器学习上的布局到底有着怎样的心机？苹果真能撼动Google、Facebook的优势地位吗？未来AI的走向会不会就此改变？此中答案，本文将娓娓道来。
作者 | 胡永波
本届WWDC，Core ML是苹果送给移动开发者的一份大礼。使用它，开发者可以把训练好的机器学习模型导入iOS应用，同时在系统层面加速应用内的人工智能计算。Core ML API支持的具体任务包括图像识别、文本处理、人脸检测与追踪，等等。
苹果这一举措，正应了Gartner去年10月份预测的移动应用AI化趋势：科技行业的主战场很快会变成能够主动学习和适应、可自主做出反馈的智能系统之间的竞争。到2018年，全球最大的200家公司中，绝大部分都会推出智能应用，同时会使用完整的大数据分析工具来重新定义并提升用户的体验。
而Gartner的说法，则又来自业已拥有机器学习能力的那些移动应用的市场表现。归根结底是SnapChat在青少年人群中的流行，是Prisma在去年的异常火爆，是在国内一直被人刷屏的各类美颜照片应用……只要找对场景，有AI加持的移动应用总能脱颖而出。
以Prisma为代表的移动应用AI化
重新回顾一下Prisma的故事，我们总是能找出一些蛛丝马迹。
作为战斗民族的90后，技术发烧友Alexey Moiseenkov在2016年初偶然读到两篇关于图像的机器学习论文：《艺术风格的神经算法（A Neural Algorithm of Artistic Style）》和《利用神经卷积网络进行纹理合成（Texture Synthesis Using Convolutional Neural Networks）》。
艺术风格的神经算法：提取画作的艺术风格
论文的作者Gatys等人基于论文中的研究成果，在2015年做出一个收费网站 DeepArt，自动y以大师的绘画风格来为用户作画，其步骤如下：
识别用户上传的照片；
学习照片中的艺术风格信息；
输出一幅重新绘制出来的作品。
利用神经卷积网络进行纹理合成：对照片纹理进行重绘和渲染
这与人类学习作画过程类似：
看到一幅作品，对绘画有个初步的概念；
学习作品中的绘画风格与笔法；
临摹上述风格和笔法，重新绘画。
提取不同名画的风格，就能渲染出不同效果的照片
但只出现在网页端的DeepArt服务耗时过长，渲染出一张新照片至少需要20分钟，并且收费不菲。Gatys等人没能看到移动市场的机会，这让年轻的Alexey一下子抓住了灵感，让他坚信移动端的“AI+图像处理”必定大有可为。
Alexey清楚，在移动端成功的关键，是能够显著降低图像处理过程的耗时，也就是大幅度提升神经网络的运行效率。为此，他对Gatys等人的算法研究了两个月，在不影响移动端图像效果的前提下，尽可能简化神经网络所需要处理的细节。此处的优化，使得Prisma的耗时仅需几秒钟，处理速度相比DeepArt提升了1000倍。
随后的开发过程，仅用了一个半月。6月11日，Prisma在苹果应用商店上线。两周时间，下载量就超过160万次；三个月后，全球下载量突破7000万；到年底，Prisma一举拿下Google和苹果两大平台的“年度最佳应用”。
Prisma的迭代升级一直是围绕“提速”来进行的，关键就是不断改进图像处理的算法。
最初，Prisma的3个神经网络都部署在云端。用户选取照片效果后，手机上的Prisma应用便将照片上传至服务器，云端的卷积神经网络在解读照片后，会根据用户选择的效果重新渲染出一张新照片，并下载到用户的手机上。
随着Prisma开始海外扩张，海外用户与Prisma位于莫斯科的服务器通讯问题，成为Prisma加载缓慢的主因。为此，Alexey不得不考虑解决办法，也就要设法在手机上完成照片渲染的过程。2016年8月，直接使用iPhone处理器，Prisma成为第一个能够离线运行风格转换神经网络的手机应用。一张1080×1080分辨率的照片，半秒就能转换成全新的风格。
可以看出，在手机上部署机器学习算法的需求是极强的。
毕竟，采用AI来编辑或制作照片的不止Prisma一家。2016年3月，SnapChat的动态相机效果Lenses一经发布便大受欢迎，这项技术是SnapChat从它2015年9月收购的那家乌克兰公司Looksery身上买来的。Facebook紧随其后，于8月份开始，先后在Instagram、Messenger、WhatsApp上推出能跟SnapChat竞争的滤镜效果。Facebook的技术则来自它在2016年3月份买下的白俄罗斯公司Masquerad。
于是，从今年开始，Facebook和Google相继把它们的机器学习框架转向移动端，在手机应用上直接运行AI算法的趋势几乎不可逆转。紧接着，便有了我们今天的主角Core ML横空出世。
用于移动端的Core ML模型
与Google TensorFlow、Facebook Caffe2不同，苹果的Core ML它专门为iOS移动端的机器学习进行过优化，最大限度减少内存的占用和功耗。而且，即便是网络连接丢失，它还能保证应用的正常工作与响应。
Core ML为iOS Vision API提供图像处理支持，为iOS Foundation API提供自然语言处理上的支持，并支持对iOS GameplayKit的学习决策树 (learned decision tree) 进行分析。苹果为开发者准备好的是四个用于图像识别的模型：Places205-GoogLeNet、ResNet50、Inception v3和VGG16，模型格式为Core ML的 .mlmodel 扩展名。
如何制作Core ML模型
借助于Core ML，开发者还能把训练好的机器学习模型，导入至自己的应用内直接使用。它所支持的机器学习模型包括神经网络 (Neural Network)、组合树 (Tree Ensemble)、支持向量机 (Support Vector Machine) 与广义线性模型 (Generalized Linear Model)。
苹果提供的Core ML Tools Python工具包，可以把第三方机器学习工具所创建的已训练模型转换成Core ML模型格式。Core ML所支持机器学习框架包括Keras、Caffe、scikit-learn、XGBoost与LIBSVM。
以Caffe模型 (.caffemodel) 为例，通过调用转换器，你可以将其传递给 coremltools.converters.caffe.convert 方法：
import coremltools coreml_model = coremltools.converters.caffe.convert('my_caffe_model.caffemodel')
然后，将结果保存为Core ML模型格式：
coreml_model.save('my_model.mlmodel')
对于Core ML所不支持的格式，比如TensorFlow模型，你只能自己来创建转换工具，将模型的输入、输出和架构表示转换为Core ML格式。这需要仔细参考Core ML Tools所提供的转换工具，它们具体演示了如何通过每一层模型架构、层与层之间的连接关系进行定义，来把各种第三方模型转换成Core ML格式。
如何在应用中添加并使用Core ML模型？
以用来预测火星殖民地价格的已训练模型 MarsHabitatPricer.mlmodel 为例：
首先需要把模型添加到 Xcode 项目中：
也就是将模型拖进项目导航器 (project navigator)
对于 MarsHabitatPricer.mlmodel 而言，Xcode 会生成相应的接口，来分别表示模型本身(MarsHabitatPricer)、模型输入 (MarsHabitatPricerInput) 以及模型输出 (MarsHabitatPricerOutput)。
使用所生成的 MarsHabitatPricer 类的构造器，便可以创建这个模型：
let model = MarsHabitatPricer()
获取输入值并传递给模型：
示例应用使用了 UIPickerView，以便从用户那里获取模型的输入值。
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)
使用模型来进行预测：
guard let marsHabitatPricerOutput = try? model.prediction(solarPanels: solarPanels, greenhouses: greenhouses, size: size) else {
fatalError("Unexpected runtime error.")
}
通过读取 marsHabitatPricerOutput 的 price 属性，就可以获取所预测的价格，然后在应用的 UI 内就可以对该结果进行展示。
let price = marsHabitatPricerOutput.pricepriceLabel.text = priceFormatter.string(for: price)
注：此处所生成的 prediction(solarPanels:greenhouses:size:) 方法会返回错误提示，因为示例应用所预期的输入类型为 Double。
使用Core ML所遇到的常见错误，是传递给方法的输入数据类型与模型预期的输入类型不同匹配：比如用错误格式表示的图片类型。
构建并运行 Core ML 应用
Xcode 会将 Core ML 模型编译到资源中，以进行优化并在设备上运行。优化过的模型表征会包含在您的应用程序包内，当应用在设备上运行时，便可用以进行预测。
苹果表示，iPhone上经过优化的图像识别，速度能比Google Pixel快6倍。
Core ML可能会有什么样的影响
WWDC还没开完，Keynote引起大家关注后，大会日程中还要讲的Core ML有5项：
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
重点是偏向应用的视觉框架和自然语言处理，苹果的经验和支持肯定会让很多开发者跃跃欲试：只要找对场景，新的像Prisma这样的现象级AI应用就还会出现。
而随着iOS应用内机器学习使用门槛的降低，关注AI具体应用的各类工程师也越来越多；随着iOS开发者的涌入，机器学习领域将不再只是算法工程师的天下。
那么，移动开发的另一头，Google为Android端准备的TensorFlow Lite在今年正式发布时会如何发力，就更值得关注了。
毕竟，Google不做移动芯片，如何在硬件层面为手机上的AI应用做优化，就成了它绕不过去的问题：是跟高通的Neural Processing Engine合作？还是把自家的TPU小型化？
至于Caffe2，Facebook将如何在系统层面为AI应用做优化，则是一个非常有趣的问题。
诚如Gartner所言，当AI变成科技行业的主战场时，这里的事情就有意思多了。
参考内容：
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/