Core ML的利与弊，会不会又是苹果的一个响声雷？

人工智能

正当公有云在争夺机器学习霸主地位的时候，苹果却改变了游戏规则。随着Core ML的发布，苹果将机器学习带到了移动设备上。换句话说，机器学习现在已经不再只是贴在应用代码上的狗皮膏药。

风险投资公司Adnreessen Horowitz的Benedict Evans说，机器学习是一项基础技术，这项技术让一切变得可能。苹果的Core ML尽管没有三头六臂，但仍然代表着未来主流的机器学习技术。

运行在移动设备上的机器学习

机器学习需要依赖大量的训练数据，在你定义好预测模型之后，你需要提供足够的数据来训练模型。因此，机器学习几乎只能在云端完成。

苹果发布的Core ML将机器学习带到了移动设备上（如果传言属实，那么还未发布的iPhone 8可能会搭载AI专门芯片用于机器学习）。苹果说：

Core ML为在设备上运行进行了专门的优化，最小化内存的使用和功耗。在设备上运行机器学习可以保护用户数据的隐私，而且在没有网络连接的时候仍然能够使用这些功能。

苹果让机器学习变得极其简单，根据开发者Matthijs Holleman所言，“你只要把mlmodel文件添加到项目里，Xcode就会自动生成一个Swift或Objective-C包装类，可以轻松地使用训练过的模型”。

另一个开发者Said Ozcan说，Core ML的响应相当快，“几乎不用花多少时间就能看到预测结果，实在让人感到很吃惊”。

Core ML并不完美

InfoWorld的Serdar Yegulalp说，Core ML仍然存在一些不足：

Core ML不支持模型再训练或联合学习。所以你需要手动去做这些事情，可能需要从用户那里收集数据，然后使用这些数据重新训练模型。

不支持联合学习让苹果感到很心塞，因为Google早就支持这一特性。Google科学家Brendan McMahan和Daniel Ramage写道：

在训练数据不离开设备的情况下，机器学习能够共享预测模型，移除了对云端数据的依赖……你的设备加载当前的模型，然后通过设备上的数据来改进模型，将这些增量的变更作为一个小型的更新。只有这些小型的更新需要通过加密通道发送到云端，这些更新联合其他用户的更新来改进共享模型。而所有的数据仍然留在你的设备上。

换句话说，一大波移动设备代替了云端的服务器，从而带来了更大的可能性。更重要的是，这些共享模型对于设备来说是立即可用的，用户不需要等待更新过的模型从云端推送回来，极大地提升了用户体验。开发者Matt Newton说，“一套用于在设备上进行个人定制化的API简直就是杀手锏”。

不过，联合学习也并非完美，MacMahan和Ramage也承认：

联合学习要求机器学习开发者使用新的工具并转变思维方式：因为通信方面的成本，模型的开发、训练和评估不能直接访问原始数据。

不过不管怎样，利总是大于弊的，因此研究人员有足够的理由去解决这些挑战。

Core ML会不会又是苹果的一个响声雷？

从iCloud到苹果地图，再到Siri，苹果总是比其他同行慢一个节拍，比如高度重视云服务和AI的Google。Core ML会不会也是如此？

Amazon Web Services发布了面向开发者的机器学习服务，如Rekognition、Polly和Lex，人们却抱怨它们的功能太有限。不过AWS的总经理Swaminathan Sivasubramanian说，这些服务的目标是“将机器学习带给每一位AWS开发者”，而不是要把复杂的机器学习变成他们肩上的重担。

苹果也正在开辟一条通向机器学习的通途。不过它并不完美，对于有些开发者来说无法达到他们远大的预期。不过它仍然能够帮助开发者在机器学习上崛起。

不过，苹果不忘了另外一件事情，尽管这对于苹果的文化来说不太可能：开源Core ML，让开发者一起来把它塑造成符合他们需求的东西。Holleman指出，“既然其他很多机器学习工具都是开源的，为什么不把Core ML也开源呢？”

或许除了苹果自己，没有人真正在意苹果是否在机器学习这条道上跑偏。Evans说，“往深了看，很多机器学习技术正在被商业化，它们的API快速地进入到移动设备上……不可能只有一个Google或一个Facebook的云包揽所有的机器学习——这项技术应该是一切的基础。”

苹果的Core ML令人印象深刻，尽管不那么完美。它正在走向“机器学习即一切”的未来。