三年前，Eileen Yoon开始逆向工程苹果神经网络引擎（ANE）——苹果M系列芯片中专用的机器学习加速器——并发布了一个Linux驱动程序。她暂停了，确信该模块过于专而无法具有普遍用途。现在她回来了，不是为了让ANE执行新工作负载，而是为了精确映射其内部架构如何揭示苹果在2017年A11 Bionic中首次将神经加速投入硅片时所押注的内容。
核心发现是，ANE是为卷积神经网络（CNN）设计的——这是2018年之前主导机器学习的图像处理架构——而不是为驱动当今大语言模型的Transformer模型设计的。CNN的密集、可预测的数据复用与ANE的数据流完美映射；而Transformer的自回归解码则不是。Yoon认为，苹果自己的回应是在M5（2025年）中将ANE核心折叠到GPU集群内——实际上是在退役独立NPU，而不是对其进行适配。
M1 ANE的每个计算核心包含128个并行乘加（MAC）通道——全芯片共2048个——执行递推式 s ← s + a × b。MAC是一个标量缩减单元：它对正在缩减的张量的哪个维度一无所知；该含义来自操作数如何被调度到核心上。累加器是一个Q16.16格式的32位定点寄存器，在2¹⁵处饱和，乘积以FP16读出。这一选择——16位乘法、32位累加、16位读出——是苹果所瞄准的CNN工作负载的直接结果：有界激活、可预测的范围、定点友好。
对于非线性函数，ANE不在硬件中计算tanh。它使用一个33条目的分段线性查找表，配合线性插值，结点间距为1/8。ReLU是模式1（恒等），tanh是模式2（LUT）。Core ML的编译器在编译时将偏置和激活折叠到同一个后MAC路径中——偏置寄存器和非线性模式按层设置，MAC输出直接馈入查找表，无需中间内存往返。
文章解释Core ML的编译器在编译时将偏置和激活折叠到同一个后MAC路径中，偏置寄存器和非线性模式按层设置，MAC输出直接馈入查找表，无需中间内存往返
文章描述了ANE的非线性方法：一个33条目的分段线性查找表，配合线性插值，结点间距为1/8，其中tanh是模式2，ReLU是模式1
文章讨论了ANE的tanh实现作为分段线性查找表中的模式2；该图验证了近似精度相对于双精度参考
据Yoon描述，调度器令人失望地简单。驱动程序从不发送CONV或MATMUL操作码。所有神经操作都被预编译为固定大小任务描述符的命令流；驱动程序将流加载到内存中，将TM_ADDR/TM_SIZE指向它，并触发TM_PUSH。然后硬件拥有该提交直到完成，完成后向ARM64核心发出中断。八个任务队列（qid 0–7）提供乒乓式暂存——一个描述符槽执行时软件填充另一个——每个队列带有一个32条目的基地址寄存器表，用于映射分块级工作。
Yoon的GitHub仓库（eiln/ane）包含内核模块、用户态库和Python绑定——193次提交，537个星标。这项工作明确不是为了让ANE今天变得有用；而是为了读取苹果在2017年蚀刻到硅片中的架构假设，并追踪当这些假设遇上Transformer时代时发生了什么。
仍不确定的是：M4及之后的ANE模块是否暴露了超出Yoon所记录的M1设计的能力（一个讨论提示指出苹果显然为M6/A20加倍了ANE块，且M5中GPU核心内的"Neural Accelerators"是不同的子系统）。Yoon的源码仅涵盖M1 ANE，文章并未独立验证M4/M5的说法。同样地，独立开发者是否能够访问ANE——与苹果将其限制在计算摄影流水线中——也无法由所提供的材料解决；一位评论者断言了这种限制，但所提供的驱动程序本身就是Linux访问存在的证据，即使只是通过逆向工程。