# Core ML 百科解释

## 核心定义
Core ML 是苹果公司于 2017 年推出的设备端机器学习推理框架，专为 iOS、macOS、watchOS 及 tvOS 设计。它允许开发者在 Apple 硬件上直接部署预先训练好的机器学习模型，利用 CPU、GPU 及 Apple 自研的神经网络引擎（Neural Engine）实现低延迟、高能效的本地推理。Core ML 通过 `coremltools` 工具链支持从 TensorFlow、PyTorch 等主流框架转换模型，核心优势在于**隐私保护**（数据不离设备）、**实时性**（毫秒级响应）与**低功耗**，适用于移动/可穿戴环境下的智能应用。

## 关键技术点
1. **模型转换与优化**  
   使用 `coremltools` 将第三方模型（如 CNN、RNN、Transformer）转换为 Core ML 格式（`.mlpackage`），自动执行量化、剪枝、神经架构搜索等设备端优化，在维持精度的前提下降低存储与运算开销。

2. **硬件加速与异构计算**  
   核心运行时自动调度至系统最优硬件：A 系列/M 系列芯片的 Neural Engine 专攻矩阵运算（16 核可达到 15.8 TOPS），GPU 处理并行视觉任务，CPU 处理常规推理，实现无感加速。

3. **隐私优先的本地推理**  
   所有数据在设备内闭环处理，无需上传云服务器。结合差分隐私、联邦学习等策略，适用于医疗等敏感场景，符合 HIPAA、GDPR 合规要求。

4. **多模态集成能力**  
   与 Vision（图像/视频分析）、Natural Language（文本处理）、Create ML（自定义模型训练）、AVFoundation 等框架无缝衔接，支持从传感器（加速度计、陀螺仪、心电）到高级语义的端到端推理。

5. **动态模型更新**  
   `Core ML Model Deployment` 允许服务器侧推送模型更新（如针对新症状的适配），设备端无需重新安装应用，保障长期临床部署的灵活性。

## 医学/神经科学应用场景
**帕金森病步态冻结的实时监测与预警**  
首都医科大学宣武医院神经内科团队与工程小组协同，将训练好的 1D-CNN + LSTM 混合模型（基于时间序列加速度计/陀螺仪信号）通过 `coremltools` 转换为 Core ML 格式，部署于 Apple Watch Ultra 中。模型利用 Neural Engine 加速，在 50 Hz 采样率下实时提取步态特征，对“冻结”事件（突然的起步困难、前进中断）的分类延迟 < 30 ms，准确率 > 92%。系统仅在本地推理，患者数据绝不外泄，同时通过 watchOS 回调向患者发送触觉/听觉提示，辅助打破冻结循环。该方案已进入临床预研阶段，有望替代传统人工视频分析，实现居家场景下的全天候量化评估与干预。