原创 《移动终端人工智能技术与应用开发》+读后感（1）

《移动终端人工智能技术与应用开发》+读后感（1）

 本人一直关注着移动终端的应用开发技术，特别是在Windows平台上开发安装应用程序。  我大约在2015年左右试用了 Android Studio，遇到太多的坑了，编完一个 demo刚下到模拟其中就死机了；  后来大约在2019年左右又安装了一次，体验也非常不好，不光是体积大，在Windows 上启动时间很长、响应速度慢、内存占用高、经常出现卡死现象，于是很快也放弃了。 另外本人十分不喜Java语言，觉得太繁琐了，远不如C/go语言写起来干脆利索。如果有golang语言的安卓开发环境就好了！

不过形势比人强呀，这个“安卓” 踩在时代的前列腺上，怎么也回避不了。 如果自己想创业，还是要围着“安卓”打转才又钱赚；或许围着“华为鸿蒙”转也行呀！  而AI也一直在保持着热度，特别是 chatGPT/GPT-4，真是太热了！

总之，非常感谢面包板社区，给了我这个测评的机会，我很快就通读完全书了，在脑中形成了大概的整体框架；不过有些技术细节还需要不时回味。

1) 移动终端的AI，和云/服务器上的AI，本质上并没有什么不同！   区别也仅在于移动终端的功率低、算力低、芯片性能差而已

   所以移动终端的AI模型必须采用简化版本，云/服务器也可以采用简化版本以节约功率   

   看来，没有“AI模型的简化技术”，就没有“移动终端人工智能“， 这是技术的本源，传承关系。

   2) 不光是在移动终端进行AI应用开发，在移动终端进行任何的开发，都极其依赖开发环境：苹果的是Xcode， 安卓的是Android Studio

   即便是AI应用也必须要依赖这些环境才能编译。 所以在移动终端进行AI应用开发，最好的语言是：苹果采用swift语言，安卓的Java语言。这些东西回避不了。

   3) AI转换工具的强大，以及极其严重的碎片化：  AI转换工具可以是苹果/安卓通用的；有标准的小模型格式，这个是相当之好的

   而针对于复杂的移动终端机型，要想发挥终端设备其能力，只能采用厂家配套的“编译器”

   

1) 移动终端 的AI应用，其实比较少；

 AI 部署在移动终端上，其实并不是最佳解。  例如：图片识别，看图识物类的应用，用手机“离线识别”的做法并不是很好；   最好的做法是：手机拍摄，然后照片回传到云端，由云端进行AI识别，然后再将结果返回手机界面。  这样，云端的AI模型更大更准确，识别的准确度更高，而且还不需要手机的算力

2)《移动终端AI实战》题目虽然好，但是内容非常难以组织：

   即便是写，也是操作步骤和截图，类似《手把手教你XXX》之类的口水文字，从入门到放弃了

3) 最后就是碎片化的问题了，可以分为：

3.1）标准的模型： TensorFlow Lite / PyTorch Mobile / 百度 Paddle Lite 飞浆 / 旷视 天元

3.2）手机厂家的模型框架 ：苹果 Core ML / 高通 SNPE / 华为 HiAI Foundation / ViVVO VCAP

   

苹果/华为/ViVVO等厂家的技术雄厚，为自家的手机产品，推出了 配套的 AI框架和编译工具，

如果做“深度学习嵌入式应用开发”， 不可不仔细研究 厂家原配的这些资源， 以便发挥手机的硬件能力！

于是： 碎片化 就不可避免了-------- 期待着 能“标准化”，不要折磨我们这些苦逼的程序员了：

 要么厂家的硬件设计能标准化； 要么编译器工具能自动识别不同的硬件体系； 要么 AI模型能再 统一 一些。