+7 (495) 109-18-40
inventive-dlm@inventive.ru
+7 (495) 109-18-40
inventive-dlm@inventive.ru

Нейропроцессоры сегодня и завтра:
как ИИ-чипы в смартфонах меняют наши устройства

Помните, как 8 лет назад Huawei Mate 10 с процессором Kirin 970 впервые показал нам, что смартфон может «думать» сам, без отправки данных в облако? С тех пор искусственный интеллект в телефонах прошел путь от экспериментальной функции до одного из ключевых факторов, определяющих производительность и пользовательский опыт. Однако до недавнего времени этот прогресс казался постепенным, эволюционным. Сегодня мы стоим на пороге революции: нейропроцессоры (NPU) стремительно развиваются, а в ближайшие годы нас ждут настоящие прорывы.
Разбираемся, что изменилось на рынке и какие перспективы открываются перед мобильным ИИ.
Что такое нейропроцессор (NPU) и зачем он нужен?
Нейропроцессор, или NPU (Neural Processing Unit), — это специализированный чип внутри смартфона, созданный для выполнения задач, связанных с машинным обучением и искусственным интеллектом. В отличие от центрального процессора (CPU) и графического (GPU), NPU оптимизирован для матричных вычислений, лежащих в основе современных нейросетей.

Основные преимущества NPU перед обычными процессорами:
  • Скорость и эффективность: решает задачи с ИИ на месте, прямо в телефоне, без отправки данных в облако. Это не только ускоряет работу, но и защищает приватность.
  • Экономия заряда батареи: выполняет специфические ИИ-задачи (например, обработка фото или распознавание речи) с гораздо меньшим энергопотреблением, чем CPU или GPU.
  • Мгновенная работа приложений: обеспечивает быстрый перевод в реальном времени, умную обработку фото и видео, улучшенные голосовые ассистенты и другие фишки, которые становятся неотъемлемой частью современных флагманов.
Сегодня наличие мощного NPU — это не просто «фишка», а обязательный атрибут любого AI-смартфона. Согласно данным аналитиков, уже к 2027 году более 80% премиальных смартфонов будут оснащены функциями ИИ-агентов, что было бы невозможно без производительных нейропроцессоров.
Что происходит на рынке сегодня: гонка архитектур
Основная архитектура современных SoC (System-on-Chip) строится по принципу гетерогенных вычислений: «CPU + GPU + NPU». Производители идут разными путями, чтобы добиться лучшей производительности в ИИ-задачах, но сталкиваются с общей проблемой — фрагментацией.

  • Google использует тензорный процессор (TPU) в своих Pixel-устройствах, отлично справляющийся с обработкой фото и переводом.
  • Apple внедрила Neural Engine в свои чипы A-серии, однако, несмотря на заявленную мощность, реальные результаты в некоторых сценариях пока не всегда впечатляют из-за ограничений программной экосистемы.
  • Samsung, Qualcomm, Arm активно инвестируют в развитие ИИ-возможностей, причем Arm делает ставку на развитие ИИ непосредственно в CPU с помощью технологии SME2, а Qualcomm ищет новые пути, вплоть до создания выделенных (отдельных) NPU.
Главная проблема текущего этапа — разрозненность подходов. Каждый производитель создает свои правила работы с ИИ, что усложняет жизнь разработчикам, стремящимся создать приложения, одинаково хорошо работающие на всех смартфонах. «Экосистемный барьер» и «эффект изолированных островков» сдерживают массовое внедрение инноваций.
Прорыв: унификация через LiteRT от Google
В 2024 году Google предпринял важный шаг к унификации: переименовал TensorFlow Lite в LiteRT. Но суть изменения оказалась глубже смены вывески. LiteRT позиционируется как «универсальный рантайм» для выполнения ИИ-моделей на устройствах.

Теперь разработчики могут создавать приложения, используя единый API, который автоматически подбирает оптимальный вариант ускорения — будь то NPU от Qualcomm, Tensor от Google или Neural Engine от Apple. LiteRT обеспечивает поддержку широкого спектра чипов и становится своего рода «универсальным переводчиком» между приложениями и нейропроцессорами.

Это означает, что разработчикам стало проще добавлять ИИ-функции в приложения, а смартфоны начали эффективнее использовать свои чипы, делая мобильный ИИ доступнее и гибче.
Что нас ждёт в будущем: NPU как часть единой системы
Будущее мобильных нейропроцессоров не в наращивании сырой мощности, а в глубокой интеграции и перераспределении задач. Происходит переход от идеи «отдельного мощного NPU» к концепции «гетерогенных вычислений», где каждый блок процессора делает то, что умеет лучше всего.

Гибридные вычисления: все рфаботают в команде
  • GPU подключаются к ИИ: графические процессоры все активнее участвуют в ИИ-задачах, особенно тех, что связаны с обработкой изображений, 3D и графикой. В новых решениях, например, в Mali G1-Ultra от Arm, появилась поддержка FP16-инструкций, ускоряющих работу нейросетей. Samsung, как сообщается, готовит GPU с фокусом на ИИ, который может дебютировать в будущих поколениях Galaxy S.
CPU с AI-акселерацией: технология Arm SME2 (Scalable Matrix Extension 2) позволяет выполнять ресурсоемкие ИИ-задачи прямо на CPU, причем с низкой задержкой и высокой энергоэффективностью. Это дает разработчикам возможность оптимизировать код один раз и получить предсказуемую производительность на миллиардах устройств, независимо от бренда. Согласно прогнозам, к 2030 году технология SME и SME2 обеспечит более 10 миллиардов TOPS вычислений на 3 миллиардах устройств.

Новые архитектуры и решения
  • Выделенные NPU и 3D-память: qualcomm работает над созданием отдельного NPU с собственной 3D DRAM-памятью. Это должно решить проблему «узкого горла» — когда мощный NPU простаивает, ожидая данные из общей памяти. Такой чип сможет обеспечивать стабильную высокую производительность (около 40 TOPS) для длительных ИИ-задач, таких как генерация видео или сложный перевод.
  • Прорывные SoC: китайские производители демонстрируют впечатляющий прогресс. Например, Xiaomi представила чип XRING O3 с полностью переработанной архитектурой NPU, специально оптимизированной под работу с большими языковыми моделями (LLM), и мощностью 200 TOPS. А специальный AI-акселератор XRING O100 (6 нм, 3D-стэкинг) призван решить проблему «стены памяти» (memory wall) — узкого места в скорости передачи данных, обеспечивая пропускную способность 1.22 ТБ/с .
Вывод: интеллект становится повсеместным
Главная тенденция ближайших лет — переход от доминирования отдельного NPU к созданию единой интеллектуальной системы, где решение о том, какой вычислительный блок задействовать, будет приниматься автоматически в зависимости от задачи и энергопотребления.

Развитие ИИ-чипов — это не просто гонка терафлопс, а инженерная работа на стыке архитектуры, программного обеспечения и материаловедения.

В результате мы получим смартфоны, которые не просто «умеют думать», а делают это умно, энергоэффективно и максимально адаптивно к нашим потребностям, без необходимости подключаться к облачным серверам. И ключевую роль в этом будущем сыграет не сам чип, а умные программы, которые умеют его использовать.