近两代的A系芯片中，神经网络引擎是一个经常会被苹果提及的模块。本次A14也不例外，神经网络引擎的内核数直接增加了一倍，从A13的8核变成了A14的16核，估计那40%的晶体管数量提升，有相当一部分都用在了这里。

而由此带来的近两倍的机器学习算力提升，也明显要比CPU、GPU升级耀眼得多，更别说还有应用在处理器上的机器学习加速器。

相比CPU和GPU，A14在机器学习算力上的提升会更明显，但这个神经网络引擎会影响哪些体验，很多人并不清楚。

我们很难把它归结为单纯的‘手机流畅度提升’，因为它不像CPU、GPU一样，可以有量化数据作为对比依据；就算是算力翻倍，它也不会让你的游戏，从原来的30帧升到60帧。

不过，近几代iOS系统内的特性，有很多都是离不开机器学习技术的。

比如说拍照，去年iPhone 11 Pro引入的DeepFusion三合一图像处理技术，就是通过机器学习训练的算法，来实现图像合成，最终生成出一张更高质量的照片。

图像识别、文本概述、语义分析等，都涉及到机器学习技术的运用

更进一步，iPhone的相册能够自动根据人脸特征，对图库进行分类；还有像Apple Music能够根据我们的听歌偏好，自动推荐你喜欢的歌曲；而iPhone的电源管理系统也会主动学习我们的使用习惯，延长、优化续航时间，背后都有机器学习技术的参与。

在本次iPad Air 4中，苹果也介绍了两个使用了A14机器学习技术的案例。

一个是djayPro应用，它可以让iPadAir调用前置摄像头，捕捉、识别出音乐人打碟的手势，实现‘隔空打碟’的特性。

考虑到iPad Air 4并未搭载可感知深度场景的FaceID元件，这种动作识别，也只能靠机器学习的方案来实现。

另一个案例则是照片编辑应用Pixelmator，借助机器学习能力，它可以让被裁减、放大后的照片，实现自动修复。

哪怕是照片本身的分辨率十分有限，但机器学习依旧能填补缺失的像素点，改进边缘锯齿和图像纹理。

所以，从上述几个例子可以看到，A系芯片的神经网络引擎看似是‘感知不强’，但实际上，是它施加的影响更底层，不容易被我们察觉而已，很多功能其实与我们的使用体验是息息相关的。

去年，苹果前高管菲尔·席勒（PhilSchiller）在接受《连线》采访时也说，目前iOS系统的功能中，基本已经不存在不使用机器学习的领域了。无论是对电池寿命的影响，还是性能的优化，它一直都你所不知道的地方，持续地运行着。

既然如此，发展更强的算力，这些工作显然能更有效率地去运行；而苹果也能规避掉个人数据收集的风险，让设备只靠本地算力而非联网，就能完成更重度、更复杂的任务。