NeuroPilot 是 MediaTek 提供的一套強大的軟件工具和 API 集合，目的在於提升AI應用的開發效率。其核心特性包括對TensorFlow Lite模型的支援、網路優化、硬件行為分析以及裸機應用編程。一般工作流程分為模型準備、優化和部署，並針對不同平台提供專門的開發流程。
在Android平台上，開發者可以使用Google TensorFlow Lite的標準開發流程，同時借助NeuroPilot SDK獲得更多靈活性和更佳性能。根據開發者角色，如第三方應用開發者、算法供應商或設備製造商，選擇適合的模型部署方法，包括線上編譯和離線編譯，以滿足不同開發需求。
開發過程中，從模型準備到優化，再到最終的部署，每個步驟都至關重要。例如模型優化可以通過量化技術將浮點數據轉換為較低位數的整數，顯著提升性能和壓縮模型。最後優化後的模型可在目標設備上運行，提供高效的AI 應用解決方案。
小弟在此歸納幾個重點，希望在MediaTek平台上開發AI應用的夥伴們，提供了全面的技術支持和詳細步驟，確保開發過程順利高效。
1. NeuroPilot
概述
NeuroPilot是MediaTek推出的AI軟件平台，目的是為夥伴們提供強大的工具和 API，幫助他們在MediaTek的平台上開發先進的人工智能應用。這套平台集成了多種功能，從AI模型的訓練、優化到最終的部署，全面支持各種AI應用需求。NeuroPilot的主要目標是簡化開發流程，提升AI模型的性能，同時確保其運行效率和精度。平台的設計考慮到不同的開發者需求，無論是初學者還是經驗豐富的專業人士，都能夠利用其強大功能，開發出高效且穩定的AI應用。
2. 核心特性
NeuroPilot平台的核心特性包括對TensorFlow Lite模型的支持、網路優化、硬件行為分析以及裸機應用編程。這些特性使得開發者能夠在 MediaTek 的設備上實現高效的 AI 推理和訓練。對 TensorFlow Lite 模型的支持意味著開發者可以輕鬆地將已經訓練好的模型應用於實際產品中。而網路優化功能則幫助開發者提升模型的運行速度和精確度，確保AI應用能夠在資源受限的移動設備上順暢運行。硬件行為分析工具提供了詳細的運行時數據，幫助開發者了解模型在不同硬件配置下的性能表現，進而進行針對性的優化。裸機應用編程則為高級用戶提供了更大的靈活性，使其能夠在沒有操作系統干預的情況下，直接在硬件上運行 AI 模型。
3. 一般工作流程
NeuroPilot 的一般工作流程分為模型準備、優化和部署三個主要階段。在模型準備階段，開發者需要選擇合適的AI模型並進行初步的訓練。隨後在優化階段，開發者利用 NeuroPilot 提供的工具對模型進行調整，提升其運行效率和精度。這可能包括量化、剪枝和壓縮等技術。最後在部署階段，經過優化的模型被轉換為適合目標設備運行的格式，並通過各種工具進行部署。這一流程確保了模型從訓練到實際應用的無縫過渡，並且針對不同的開發平台，NeuroPilot 提供了專門的開發流程，用以適應各種硬件和操作系統環境。
我們可以看到這張圖展示了一個典型的AI模型開發和部署流程，特別針對於MediaTek的NeuroPilot平台。流程大致分為模型準備和優化(在PC上進行)以及模型部署(在設備上進行)兩個主要階段。以下是詳細說明：
模型準備和優化(Toolchain on PC)
1. 模型構建與訓練：使用TensorFlow、PyTorch等框架進行模型構建和訓練。利用訓練數據進行模型的訓練和測試數據進行模型的驗證。
2. 模型優化：通過MTK工具鏈進行量化、NAS（神經結構搜索）和格式轉換，使模型更適合在設備上運行。
3. AI模擬器：在模型構建和優化過程中，使用AI模擬器進行測試和驗證。
模型部署(Model deployment on device)
1. CV/NN應用程序開發：開發CV/NN應用（如Face ID、Face Beauty、Scene Detection等）。第三方APP或OEM合作夥伴可以開發AI APK和AI框架。
2. 編譯方法：