Apple kaže da je A13 Bionic čip dizajniran s fokusom na performanse po vatu

U značajci za WIRED , Om Malik se sastao s Appleovim šefom marketinga Philom Schillerom i inženjerom za proizvodnju čipova Anandom Shimpijem kako bi razgovarali o A13 Bionic čipu u novom iPhone 11 , & zwnj; iPhone 11 & zwnj; Pro, i iPhone 11 Pro Max .

Malik prvo daje pregled specifikacija i poboljšanja performansi A13 čipa:

• 8,5 milijardi tranzistora , što je povećanje od približno 23 posto u odnosu na 6,9 milijardi tranzistora A12 čipa
  
  
  
  
• Šestjezgreni CPU : dvije jezgre visokih performansi od 2,66 GHz pod nazivom Lightning i četiri učinkovite jezgre imena Thunder
  

• Četverojezgreni grafički procesor , procesor slike koji je dizajnirao Apple i osmojezgreni neuronski motor za strojno učenje koji je sposoban za jedan trilijun operacija u sekundi
  

• Povećanje učinka do 20 posto u svim glavnim komponentama, uključujući CPU, GPU i neuronski motor
  
  Do 30 posto učinkovitijenego A12 čip

Schiller je Maliku rekao da je jedan od najvećih primjera povećanja performansi ove godine pretvaranje teksta u govor na iPhone uređajima.

'Poboljšali smo naše iOS 13 mogućnosti pretvaranja teksta u govor tako da postoji mnogo više obrade prirodnog jezika, a to je sve učinjeno s strojnim učenjem i neuronskim motorom', objasnio je Schiller.

Shimpi je istaknuo da se Apple pri dizajniranju čipova iz serije A fokusira na performanse i učinkovitost. 'Puno govorimo o nastupu javno. Ali stvarnost je da to gledamo kao performanse po vatu. Mi na to gledamo kao na energetsku učinkovitost, a ako izgradite učinkovit dizajn, dogodi se da izgradite i dizajn izvedbe.'

U članku se napominje da će Appleov tim za izradu čipova proučiti kako se aplikacije koriste na iOS uređajima kako bi optimizirao buduće dizajne čipova. 'Za aplikacije koje ne trebaju dodatne performanse, možete raditi s prošlogodišnjim performansama i to samo na mnogo manjoj snazi', rekao je Shimpi.

Strojno učenje također igra veliku ulogu u A13 čipu, pomažući u upravljanju vijekom trajanja baterije i optimiziranju performansi, kaže Schiller. 'Prije deset godina nije bilo strojnog učenja. Sada uvijek radi, radi stvari.'