Заменят ли искусственные нейронные сети обычные процессоры? Станут ли нейронные мобильные процессоры новой вехой развития технологии искусственного интеллекта

Китайская компания Huawei анонсировала Kirin 970 - первый чипсет, имеющий выделенный нейронный процессор (NPU). Вслед за китайцами Apple показала свой A11 Bionic для моделей iPhone 8, 8 Plus и X. Этот чип, среди прочего, поддерживает технологию Neural Engine , которая, если верить представителям компании, «специально разработана для машинного обучения». Совсем недавно уже Qualcomm представила свой чип Snapdragon 845, умеющий передавать конкретным ядрам связанные с искусственным интеллектом задачи. Особой разницы в подходах компаний нет. Все зависит от доступных разработчикам уровней управления ядрами и энергоэффективности чипов.

Но действительно ли новые чипы существенно отличаются от уже существующих на рынке аналогов, и если да, то в чем их отличие? Ответ на это сможет дать часто встречающийся в сообщениях об искусственном интеллекте термин – «гетерогенные вычисления». Он применяется по отношению к процессорам, использующим специализированные функции систем для улучшения производительности или уменьшения энергопотребления. Такой подход уже неоднократно реализован в предыдущих поколениях чипов. Новые мобильные процессоры просто используют эту концепцию с некоторыми вариациями.

Закономерное развитие?

В последних поколениях процессоров активно используется технология ARM Big .Little. Она сочетает медленные энергоэффективные ядра с более производительными, имеющими высокий уровень потребления энергии. Суть заключалась в уменьшении объемов энергии для увеличения автономности устройств. В прошедшем году нейронные чипы сделали еще один шаг в этом направлении, добавив отдельный элемент для обработки задач искусственного интеллекта, или, в случае со , задействовав отдельные маломощные ядра для этой задачи.

Мобильный процессор от Apple A11 Bionic применяет Neural Engine в сочетании с графическим чипом для ускорения работы Face ID, Animoji и ускорения работы некоторых неродных программ. Когда пользователь запускает эти процессы на новом iPhone, чип включает Neural Engine для обработки лица владельца или для проекции его мимики на анимированную картинку.

В NPU берет на себя функции по сканированию и переводу слов на изображениях, полученных с использованием Microsoft Translator. Однако пока программа – единственное стороннее приложение, работающее с адаптированной китайским производителем технологией. По заверениям Huawei, новая технология «HiAI» ускоряет работу большинства элементов чипсета и способна выполнять гораздо более широкий спектр задач, чем другие NPU.

Новые горизонты

При отдельном рассмотрении технология позволяет осуществлять с не меньшей эффективностью непосредственно на устройстве те задачи, для обработки которых раньше были задействованы сторонние облачные решения. С помощью новых компонентов, оснащенный такими чипами телефон, сможет выполнять больше действий одновременно. Это повлияет на многие аспекты работы устройства, начиная с уменьшения времени на переводы и заканчивая поиском фотографий по внутренним хештегам. Также передача выполнения таких процессов непосредственно смартфону вместо применения облачных решений положительно скажется на безопасности и конфиденциальности, уменьшая шансы хакеров заполучить данные пользователя.

Еще одним важным моментом новых чипов является энергопотребление, ведь энергия – ценный ресурс, который требует разумного распределения, особенно если дело касается повторяющихся задач. Графические чипы любят тратить запасы батареи очень быстро, так что переложить их процессы на DSP может быть хорошим решением.

По факту, сами мобильные процессоры не могут самостоятельно принимать решения о том, какие ядра нужно задействовать при выполнении определенных задач. Это зависит от разработчиков и производителей техники, использующих для этого сторонние поддерживаемые библиотеки. , и активно интегрируют такие решения, как TensorFlow Lite и Facebook Caffe2. Qualcomm также поддерживает новый Open Neural Networks Exchange (ONNX), а Apple недавно добавила совместимость множества новых моделей машинного обучения в своей Core ML framework.

Увы, особых преимуществ новые мобильные процессоры пока еще не предоставляют. Производители уже меряются показателями результатов своих собственных тестов и контрольных показателей. Но без тесной интеграции с окружающей современного пользователя реальностью эти показатели имеют мало смысла. Сама технология находится на очень ранней стадии развития, а использующие ее разработчики пока немногочисленны и разрозненны.

В любом случае, каждая новая технология – выигрыш для пользователя, будь то рост производительности или улучшенная энергоэффективность. Производители серьезно настроены вкладывать время и деньги в развитие нейронных чипов, а значит будущие мобильные процессоры смогут предложить гораздо более широкий список задач, в которых будет задействован искусственный интеллект.

Корпорация IBM преодолела очередную ступень в создании чипа будущих суперкомпьютеров - нейронного чипа, работающего по принципу функционирования человеческого мозга. Особенность такого чипа состоит в том, что он способен к самообучению, а также тратит в сотни тысяч раз меньше энергии, чем обычные микропроцессоры. Новый чип уже может анализировать визуальную информацию, что подтверждается результатами тестирования.

Большинство современных компьютеров устроены по принципу архитектуры фон Неймана . Она основана на совместном хранении данных и команд, при этом внешне они неразличимы: одна и та же информация может становиться данными, командой или адресом в зависимости от способов обращения к ней. Именно такой принцип работы архитектуры фон Неймана и создал ее существенный недостаток - так называемое узкое место (ограничение пропускной способности между процессором и памятью). Процессор постоянно вынужден ждать необходимых данных, потому что память программ и память данных не может быть доступна одновременно: ведь хранятся они на одной и той же шине.

Эта проблема была решена американским программистом Говардом Эйкеном (Howard Aiken), автором гарвардской архитектуры . Она отличается от архитектуры фон Неймана тем, что линии передачи данных и команд в ней физически разделены, что позволяет процессору одновременно читать инструкции и выполнять доступ к данным, а быстродействие компьютера повышается. Несмотря на это, в конце 1930-х годов на конкурсе по разработке ЭВМ для военно-морской артиллерии, объявленном правительством США, из-за простоты реализации победила фон-неймановская архитектура.

Позднее стало возможным создание гибридных систем, сочетающих достоинства обеих архитектур. Однако с развитием программирования умы ученых стала занимать мысль о создании искусственных нейронных систем: соединенных и взаимодействующих между собой процессоров, действующих по принципу функционирования нервных клеток живого организма. Особенностью таких систем является то, что они не программируются, а обучаются.

Понятие искусственной нейронной сети возникло при изучении функционирования биологических нейронных сетей – совокупности связанных в нервной системе нейронов, выполняющих специфические физиологические функции. Каждый из нейронов связан с огромным количеством других, место контакта нейронов друг с другом называется синапсом , который служит для передачи нервного импульса между клетками.

Первопроходцами в создании искусственных нейронных сетей стали американцы Уоррен Маккалок (Warren McCulloch) и Уолтер Питтс (Walter Pitts). В начале 1940-х годов ученые изобрели модель мозга, в которой упрощенно рассматривали нейроны как устройства, оперирующие двоичными числами. Придуманная ими сеть из электронных «нейронов» теоретически могла выполнять числовые или логические операции любой сложности. Принципиально новые теоретические основания такой модели головного мозга заложили базу для последующего развития нейротехнологий, и следующий шаг не заставил себя ждать.

Уже в 1949 году Дональдом Хеббом (Donald Hebb) был предложен первый работающий алгоритм обучения искусственных нейронных систем, а в 1958 году Фрэнк Розенблатт (Frank Rosenblatt) создал первый нейрокомпьютер «Марк-1» . Этот компьютер был построен на основе перцептрона – нейронной сети, разработанной Розенблаттом тремя годами ранее.

Одно из наиболее перспективных направлений разработки принципиально новых архитектур вычислительных систем тесно связано с созданием компьютеров нового поколения на основе принципов обработки информации, заложенных в искусственных нейронных сетях (НС). Первые практические работы по искусственным нейросетям и нейрокомпьютерам начались еще в 40-50-е годы. Под нейронной сетью обычно понимают совокупность элементарных преобразователей информации, называемых «нейронами», которые определенны образом соединены друг с другом каналами обмена информации «синаптическими связями».

Нейрон , по сути, представляет собой элементарный процессор, характеризующийся входным и выходным состоянием, передаточной функцией (функция активации) и локальной памятью. Состояния нейронов изменяются в процессе функционирования и составляют кратковременную память нейросети. Каждый нейрон вычисляет взвешенную сумму пришедших к нему по синапсам сигналов и производит над ней нелинейное преобразование. При пересылке по синапсам сигналы умножаются на некоторый весовой коэффициент. В распределении весовых коэффициентов заключается информация, хранимая в ассоциативной памяти НС. Основным элементом проектирования сети является ее обучение. При обучении и переобучении НС ее весовые коэффициенты изменяются. Однако они остаются постоянными при функционировании нейросети, формируя долговременную память.

НС может состоять из одного слоя, из двух слоев, из трех и большего числа, однако, как правило, для решения практических задач более трех слоев в НС не требуется.

Число входов НС определяет размерность гиперпространства , в котором входные сигналы могут быть представлены точками или гиперобластями из близко расположенных точек. Количество нейронов в слое сети определяет число гиперплоскостей в гиперпространстве. Вычисление взвешенных сумм и выполнение нелинейного преобразования позволяют определить с какой стороны от той или иной гиперплоскости находится точка входного сигнала, в гиперпространстве.

Возьмем классическую задачу распознавания образов: определение принадлежности точки одному из двух классов. Такая задача естественным образом решается с помощью одного нейрона. Он позволит разделить гиперпространство на две непересекающиеся и невложенные гиперобласти. Реально, входные сигналы в задачах, решаемых с помощью нейросетей, образуют в гиперпространстве сильно вложенные или пересекающиеся области, разделить которые с помощью одного нейрона не возможно. Это можно сделать, только проведя нелинейную гиперповерхность между областями. Ее можно описать с помощью полинома n-го порядка. Однако, степенная функция слишком медленно считается и поэтому очень неудобна для вычислительной техники. Альтернативным вариантом является аппроксимация гиперповерхности линейными гиперплоскостями. Понятно, что при этом точность аппроксимации зависит от числа используемых гиперплоскостей, которая, в свою очередь, зависит от числа нейронов в сети. Отсюда возникает потребность в аппаратной реализации как можно большего числа нейронов в сети. Количество нейронов в одном слое сети определяет ее разрешающую способность. Однослойная НС не может разделить линейно зависимые образы. Поэтому важно уметь аппаратно реализовывать многослойные НС.

Искусственные нейронные сети отличаются удивительными свойствами. Они не требуют детализированной разработки программного обеспечения и открывают возможности решения задач, для которых отсутствуют теоретические модели или эвристические правила, определяющие алгоритм решения. Такие сети обладают способностью адаптироваться к изменениям условий функционирования, в том числе к возникновению заранее непредусмотренных факторов. По своей природе НС являются системами с очень высоким уровнем параллелизма.

В нейрокомпьютерах используются принципы обработки информации, осуществляемые в реальных нейронных сетях. Это принципиально новые вычислительные средства с нетрадиционной архитектурой позволяют выполнять высокопроизводительную обработку информационных массивов большой размерности. В отличие от традиционных вычислительных систем нейросетевые вычислители, аналогично нейронным сетям, дают возможность с большей скоростью обрабатывать информационные потоки дискретных и непрерывных сигналов, содержат простые вычислительные элементы и с высокой степенью надежности позволяют решать информационные задачи обработки данных, обеспечивая при этом режим самоперестройки вычислительной среды в зависимости от полученных решений.

Вообще говоря, под термином "Нейрокомпьютер" в настоящее время подразумевается довольно широкий класс вычислителей. Это происходит по той простой причине, что формально нейрокомпьютером можно считать любую аппаратную реализацию нейросетевого алгоритма от простой модели биологического нейрона до системы распознавания символов или движущихся целей. Нейрокомпьютеры не являются компьютерами в общепринятом смысле этого слова. В настоящее время технология еще не достигла того уровня развития, при котором можно было бы говорить о нейрокомпьютере общего назначения (который являлся бы одновременно искусственным интеллектом). Системы с фиксированными значениями весовых коэффициентов - вообще самые узко специализированные из нейросетевого семейства. Обучающиеся сети более гибки к разнообразию решаемых задач. Таким образом, построение нейрокомпьютера - это каждый раз широчайшее поле для исследовательской деятельности в области аппаратной реализации практически всех элементов НС.

В начале 21-го века, в отличие от 40-50-х годов прошлого столетия, есть объективная практическая потребность научиться делать нейрокомпьютеры, т.е. необходимо аппаратно реализовать довольно много параллельно действующих нейронов, с миллионами фиксированных или параллельно адаптивно модифицируемых связей-синапсов, с несколькими полносвязными слоями нейронов. В то же время технология интегральной электроники близка к исчерпанию своих физических возможностей. Геометрические размеры транзисторов больше нельзя физически уменьшать: при технологически достижимых размерах порядка 1 мкм и меньше проявляются физические явления, незаметные при больших размерах активных элементов - начинают сильно сказываться квантовые размерные эффекты. Транзисторы перестают работать как транзисторы.

Для аппаратной реализации НС необходим новый носитель информации. Таким новым носителем информации может быть свет , который позволит резко, на несколько порядков, повысить производительность вычислений.

Единственной технологией аппаратной реализации НС, способной в будущем прийти на смену оптике и оптоэлектронике, является нанотехнология , способная обеспечить не только физически предельно возможную степень интеграции субмолекулярных квантовых элементов с физически предельно возможным быстродействием, но и столь необходимую для аппаратной реализации НС трехмерную архитектуру.

Длительное время считалось, что нейрокомпьютеры эффективны для решения так называемых неформализуемых и плохо формализуемых задач, связанных с необходимостью включения в алгоритм решения задачи процесса обучения на реальном экспериментальном материале. В первую очередь к таким задачам относилась задача аппроксимации частного вида функций, принимающих дискретное множество значений, т. е. задача распознавания образов .

В настоящее время к этому классу задач добавляется класс задач, иногда не требующий обучения на экспериментальном материале, но хорошо представимый в нейросетевом логическом базисе. К ним относятся задачи с ярко выраженным естественным параллелизмом обработки сигналов, обработка изображений и др . Подтверждением точки зрения, что в будущем нейрокомпьютеры будут более эффективными, чем прочие архитектуры, может, в частности, служить резкое расширение в последние годы класса общематематических задач, решаемых в нейросетевом логическом базисе. К ним, кроме перечисленных выше, можно отнестизадачи решения линейных и нелинейных алгебраических уравнений и неравенств большой размерности; систем нелинейных дифференциальных уравнений; уравнений в частных производных; задач оптимизации и других задач .

нейронной сетью обычно понимают совокупность элементарных преобразователей информации, называемых "нейронами", которые определенным образом соединены друг с другом каналами обмена информации – "синаптическими связями".

Нейрон , по сути, представляет собой элементарный процессор , характеризующийся входным и выходным состоянием, передаточной функцией ( функция активации) и локальной памятью.

Рис. 8.1.

Состояния нейронов изменяются в процессе функционирования и составляют кратковременную память нейросети. Каждый нейрон вычисляет взвешенную сумму пришедших к нему по синапсам сигналов и производит над ней нелинейное преобразование. При пересылке по синапсам сигналы умножаются на некоторый весовой коэффициент. В распределении весовых коэффициентов заключается информация , хранящаяся в ассоциативной памяти НС. Основным элементом проектирования сети является ее обучение. При обучении и переобучении НС ее весовые коэффициенты изменяются. Однако они остаются постоянными при функционировании нейросети, формируя долговременную память .

НС может состоять из одного слоя, из двух, из трех и большего числа слоев, однако, как правило, для решения практических задач более трех слоев в НС не требуется.

Число входов НС определяет размерность гиперпространства , в котором входные сигналы могут быть представлены точками или гиперобластями из близко расположенных точек. Количество нейронов в слое сети определяет число гиперплоскостей в гиперпространстве . Вычисление взвешенных сумм и выполнение нелинейного преобразования позволяют определить, с какой стороны от той или иной гиперплоскости находится точка входного сигнала в гиперпространстве .

Рис. 8.2.

Возьмем классическую задачу распознавания образов: определение принадлежности точки одному из двух классов. Такая задача естественным образом решается с помощью одного нейрона. Он позволит разделить гиперпространство на две непересекающиеся и невложенные гиперобласти. Входные сигналы в задачах, решаемых с помощью нейросетей, образуют в гиперпространстве сильно вложенные или пересекающиеся области, разделить которые с помощью одного нейрона невозможно. Это можно сделать, только проведя нелинейную гиперповерхность между областями. Ее можно описать с помощью полинома n-го порядка. Однако степенная функция слишком медленно считается и поэтому очень неудобна для вычислительной техники. Альтернативным вариантом является аппроксимация гиперповерхности линейными гиперплоскостями . Понятно, что при этом точность аппроксимации зависит от числа используемых гиперплоскостей , которое, в свою очередь , зависит от числа нейронов в сети. Отсюда возникает потребность в аппаратной реализации как можно большего числа нейронов в сети. Количество нейронов в одном слое сети определяет ее разрешающую способность. Однослойная НС не может разделить линейно зависимые образы. Поэтому важно уметь аппаратно реализовывать многослойные НС.

Рис. 8.3.

Искусственные нейронные сети отличаются удивительными свойствами. Они не требуют детализированной разработки программного обеспечения и открывают возможности решения задач, для которых отсутствуют теоретические модели или эвристические правила, определяющие алгоритм решения. Такие сети обладают способностью адаптироваться к изменениям условий функционирования, в том числе к возникновению заранее непредусмотренных факторов. По своей природе НС являются системами с очень высоким уровнем параллелизма.

В нейрокомпьютерах используются принципы обработки информации, осуществляемые в реальных нейронных сетях . Эти принципиально новые вычислительные средства с нетрадиционной архитектурой позволяют выполнять высокопроизводительную обработку информационных массивов большой размерности. В отличие от традиционных вычислительных систем, нейросетевые вычислители , аналогично нейронным сетям , дают возможность с большей скоростью обрабатывать информационные потоки дискретных и непрерывных сигналов, содержат простые вычислительные элементы и с высокой степенью надежности позволяют решать информационные задачи обработки данных, обеспечивая при этом режим самоперестройки вычислительной среды в зависимости от полученных решений.

Вообще говоря, под термином " нейрокомпьютер " в настоящее время подразумевается довольно широкий класс вычислителей. Это происходит по той простой причине, что формально нейрокомпьютером можно считать любую аппаратную реализацию нейросетевого алгоритма , от простой модели биологического нейрона до системы распознавания символов или движущихся целей. Нейрокомпьютеры не являются компьютерами в общепринятом смысле этого слова. В настоящее время технология еще не достигла того уровня развития, при котором можно было бы говорить о нейрокомпьютере общего назначения (который являлся бы одновременно искусственным интеллектом). Системы с фиксированными значениями весовых коэффициентов – вообще самые узкоспециализированные из нейросетевого семейства. Обучающиеся сети более адаптированы к разнообразию решаемых задач. Обучающиеся сети более гибки и способны к решению разнообразных задач. Таким образом, построение нейрокомпьютера – это каждый раз широчайшее поле для исследовательской деятельности в области аппаратной реализации практически всех элементов НС.

В начале 21 века, в отличие от 40-50-х годов прошлого столетия, существует объективная практическая потребность научиться создавать нейрокомпьютеры, т.е. необходимо аппаратно реализовать довольно много параллельно действующих нейронов, с миллионами фиксированных или параллельно адаптивно модифицируемых связей- синапсов , с несколькими полносвязными слоями нейронов.

В то же время физические возможности технологии интегральной электроники не безграничны. Геометрические размеры транзисторов больше нельзя физически уменьшать: при технологически достижимых размерах порядка 1 мкм и меньше проявляются физические явления, незаметные при больших размерах активных элементов – начинают сильно сказываться квантовые размерные эффекты. Транзисторы перестают работать как транзисторы.

Для аппаратной реализации НС необходим новый носитель информации. Таким новым носителем информации может быть свет, который позволит резко, на несколько порядков, повысить производительность вычислений.

Единственной технологией аппаратной реализации НС, способной в будущем прийти на смену оптике и оптоэлектронике, является нанотехнология, способная обеспечить не только физически предельно возможную степень интеграции субмолекулярных квантовых элементов с физически предельно возможным быстродействием, но и столь необходимую для аппаратной реализации НС трехмерную архитектуру.

Длительное время считалось, что нейрокомпьютеры эффективны для решения так называемых неформализуемых и плохо формализуемых задач , связанных с необходимостью включения в алгоритм решения задачи процесса обучения на реальном экспериментальном материале. В первую очередь к таким задачам относилась задача аппроксимации частного вида функций, принимающих дискретное множество значений, т. е. задача распознавания образов.

В настоящее время к этому классу задач добавляется класс задач, иногда не требующий обучения на экспериментальном материале, но хорошо представимый в нейросетевом логическом базисе. К ним относятся задачи с ярко выраженным естественным параллелизмом обработки сигналов, обработка изображений и др. Подтверждением точки зрения, что в будущем нейрокомпьютеры будут более эффективными, чем прочие архитектуры, может, в частности, служить резкое расширение в последние годы класса общематематических задач, решаемых в нейросетевом логическом базисе. К ним, кроме перечисленных выше, можно отнести задачи решения линейных и нелинейных алгебраических уравнений и неравенств большой размерности; систем нелинейных дифференциальных уравнений; уравнений в частных производных; задач оптимизации и других задач.

13.10.2017, ПТ, 15:28, Мск, Текст: Владимир Бахур

Новый флагманский смартфон Huawei Mate 10 Pro с безрамочным дизайном получит новейший «нейронный процессор» Kirin 970, двойную оптику от Leica, Android 8.0 Oreo и умную ручку. И не только.

Huawei научилась приятно удивлять

Блоггер и журналист Эван Бласс (Evan Blass), известный высокой степенью подтверждения публикуемого им инсайда по мобильным гаджетам, выложил на своей странице в социальной сети Twitter ряд новых рендеров смартфона Huawei Mate 10 Pro.

Ряд характеристик смартфона Huawei Mate 10 Pro , но именно из последней публикаций Эвана Бласа стало известно, что новый флагман будет поддерживать стилус с датчиками пространственного положения, позволяющий писать на бумаге с беспроводной передачей заметок в смартфон.

Анонс смартфонов семейства Mate 10 Pro запланирован компанией Huawei на понедельник, 16 октября, на 14:00 по московскому времени. Это подтверждается запланированной на YouTube прямой трансляцией презентации HUAWEI Mate 10 Keynote Live из Мюнхена с участием CEO Huawei Ричарда Ву (Richard Yu).

Умная Bluetooth-ручка, которой, как ожидается, будет комплектоваться Mate 10 Pro, выглядит схоже со стилусом из комплекта Moleskine Smart Writing Set.

Технические подробности

Смартфон Huawei Mate 10 Pro, получивший рабочее имя Blanc («обычный» Mate 10 имеет рабочее название Alps), станет одним из первых на рынке гаджетов, оснащенных впервые мобильным процессором Huawei Hisilicon Kirin 970 с интегрированным сопроцессором искусственного интеллекта (ИИ).

Внешний вид смартфона Huawei Mate 10 Pro

Мобильный чип Kirin 970 представляет собой 8-ядерный 64-битный процессор на базе четырех ядер ARM Cortex-A73 с тактовой частотой 2,4 ГГц и 4 ядер ARM Cortex-A53 с тактовой частотой до 1,8 ГГц. Чип оснащен встроенной 12-ядерной графикой нового поколения Mali-G72 MP12 и рядом вспомогательных сопроцессоров для ускорения специфических вычислительных задач.

Ключевые компоненты мобильного процессора Kirin 970

Чип содержит 5,5 млрд транзисторов, размещенных на кристалле площадью 1 кв. см, и выпускается на производственных мощностях компании TSMC с соблюдением самых прецизионных на сегодняшний день норм 10 нм технологического процесса FinFET.

Новый флагманский процессор Kirin 970 представляет собой «мобильную платформу для решений задач ИИ». В его состав входит так называемый нейронный процессорный модуль (NPU, Neural Processing Unit, NPU) для скоростной обработки задач искусственного интеллекта с минимальным расходом энергии, обеспечивая, по данным Huawei, 25-кратный выигрыш в производительности и в 50 раз более высокую эффективность по сравнению с предшественниками.

В Kirin 970 также интегрирован сотовый модем 4.5G с поддержкой LTE Category 18, агрегации 5CC, 4x4MIMO и 256QAM, что, по заявлению компании, обеспечивает скорость скачивания до 1,2 Гбит/с.

Чип поддерживает одновременную работу двух SIM-карт в режиме LTE, однако смартфон Huawei Mate 10 Pro, как ожидается, будет представлен как в версии Hybrid Dual SIM (Nano-SIM, dual stand-by, один из слотов совмещен с кардридером microSD под карты емкостью до 256 ГБ), так и в версии с одним слотом под карту Nano-SIM.

Kirin 970 обеспечивает аппаратное декодирование 4К-видео со скоростью до 60 кадров в секунду и кодирование 4K-видео со скоростью до 30 кадров в секунду с кодеками H.264 и H.265, и поддержку цветового пространства HDR10. В дополнение, Kirin 970 обеспечивает работу до 4 каналов оперативной памяти LPDDR4X 1866 МГц, оснащен встроенным 32-битным / 384 кГц ЦАП, сенсором Huawei i7 нового поколения и поддержкой сдвоенных камер.

Смартфон Huawei Mate 10 Pro, как ожидается, будет оснащен большим 5,99-дюймовым дисплеем на матрице AMOLED с разрешением 1440х2880 пикселей, соотношением сторон 18:9 и резкостью 546 пикселей на дюйм. Толщина смартфона составляет всего 7,5 мм, при этом он обладает защитой по стандарту IP68, подразумевающему 30-минутное погружение устройства в воду на глубину до 1,5 метров.

Основная двойная камера Mate 10 Pro

Mate 10 Pro будет представлен в версии с 6 ГБ оперативной памяти, и 64 ГБ или 128 ГБ встроенным накопителем. Аппарат оснащается двойной основной камерой, составленной из 20 МП цветного и 12 МП монохромного сенсора, с оптическими f/1.6 системами авторства Leica, оптической стабилизацией изображения, фазовым и лазерным автофокусом, поддержкой HDR и записи видео в форматах 2160p@30fps и 1080p@30/60fps. Фронтальная камера имеет разрешение 8 МП.

Смартфон Mate 10 Pro сразу будет представлен под управлением последней версии ОС Android 8.0 (Oreo) с фирменным графическим интерфейсом Huawei EMUI 6.0. Аппарат поддерживает сети Wi-Fi стандартов 802.11 a/b/g/n/ac, Bluetooth 5.0 с профилями A2DP, EDR и LE, навигацию A-GPS, GLONASS, BDS и GALILEO, технологию NFC. Также предусмотрен ИК-порт и разъем стандарта USB 2.0 Type-C.

Встроенная несъемная литий-полимерная батарея смартфона обладает емкостью 4000 мАч.

Умная ручка для Huawei Mate 10 Pro

Несмотря на возможность мгновенной оцифровки записей, сделанных на обычной бумаге, умная ручка, которой, по предварительным данным, будет комплектоваться Mate 10 Pro, не будет работать в качестве стилуса или пера для ввода с сенсорного экрана Huawei Mate 10 Pro, или будет оснащаться для этих целей дополнительной технологией ввода.

Начало продаж и цена

Никакой более-менее внятной информации о сроках начала продаж и цене флагманского смартфона Huawei Mate 10 пока нет, все станет известно уже в понедельник, 16 сентября.

Анонс презентации смартфонов серии Huawei Mate 10

Предварительно сетевые аналитики оценивают стоимость Huawei Mate 10 в Китае на уровне $835, «обычного» Huawei Mate 10 будет стоить порядка $650.