手机芯片 AI 之争：高通、联发科均超华为！

整理 | apddd

出品 | AI科技大本营（ID:rgznai100）

60s测试：你是否适合转型人工智能领域？

https://edu.csdn.net/topic/ai30?utm_source=csdn_bw

尽管相当数量的人工智能服务，是由云计算网络提供，但在响应低延迟、保护隐私、应用场景等方面，手机AI芯片无可替代。例如人脸解锁，图像增强、识别，智能助手，拍照场景识别，这些你我每天都会接触的功能，离不开手机神经引擎的加持。

 

 

AI-Benchmark测评

 

AI-Benchmark是苏黎世联邦理工学院（ETH Zürich）计算机视觉实验室Andrey Ignatov开发的AI基准测试程序，它不依赖于每个SoC供应商自己的SDK工具和API基准，能更客观地展示终端性能。

其测试任务包括以下9项（http://ai-benchmark.com/tests.html）：

 

1. 目标识别/分类：这是一个非常基础但很强大的神经网络，能够基于一张照片识别1000个不同的对象类别，准确率约为70%。经过量化，其大小可小于 5MB，再加上低耗内存，可在几乎所有现有智能手机上使用。

2. 精确目标识别/分类：这是对上一个网络的进一步扩展，更加精确，但代价是规模是原来的4倍，且对计算的要求较高。一个明显的优势是——它可以处理分辨率更高的图像，这意味着更精确的识别和更小目标的检测。

3. 人脸识别：实现方式为，对于每个人脸图像，神经网络会对人脸编码并生成128维的特征向量，该特征向量不随缩放、移动或旋转而改变。然后在数据库中检索和此向量最匹配的特征向量（以及对应的身份），数据库里包含数亿个此类信息。

4. 图像去模糊：模糊是通过一种最原始、最简单、最轻量级的神经网络 SRCNN（只有 3 个卷积层）去除的。即便如此，它仍然显示出相当令人满意的结果。

5. 图像超分辨率：使用一个19层的VGG-19网络。尽管目前来看，该网络的表现并不惊艳，也不能重建高频部分。但它对于绘画仍是理想的解决方案，因为该网络可以让图像变得更加清晰、平滑。

6. 另一种图像超分辨率：任务同上，但完成方法略有不同，如果使用其他神经网络训练我们的神经网络会如何？我们安排两个网络去完成两个不同的任务：网络尝试解决上面提到的超分辨率问题，网络B观察其结果，尝试找到其中的缺陷并惩罚网络A。

7. 语义图像分割：根据车载摄像头拍摄的照片检测19类目标（如车、行人、路、天空等）。

8. 图像增强：经过恰当训练的神经网络可以让旧手机上的照片看起来更时髦。

9. 内存极限：任务4使用的SRCNN是最轻便、简单的神经网络之一，这项测试的目的是找到设备的极限，即这个最简易的网络到底能处理多大的图像。

 

一骑绝尘 or 不分胜负

 

在刚出炉的2019年2月排行中，高通骁龙855位列榜首，紧随其后是联发科Helio P90处理器。而华为最强手机处理器麒麟980（去年9月发布），在这项测试中，已被骁龙855大幅甩开35%。

骁龙855（总分19769）对浮点和量化神经网络都能提供出色的硬件加速——前者依靠Adreno 640 GPU，而量化网络则运行在Hexagon 690 DSP中。这种组合省略了AI独立运算单元，依旧是传统的CPU/GPU及DSP/ISP兼职处理AI任务。这种设计思路，令SoC更小巧，也更容易开发，但原本用于图形任务设计的GPU，在更远的未来可能会触及架构瓶颈，难免还要面对芯片架构的一次大调整。

芯片之争既是长跑，也是冲刺。

关于量化网络

开发神经网络时最大的挑战是让其真正起效，训练一般希望速度快准确率高。使用浮点算法是保持结果精确最简单的方式——GPU拥有加速浮点算法库，所以不需要过多关注其他数值格式。

而随着大量神经网络模型投入实际应用。训练计算需求随研究者数目线性增长，预测所需的周期与用户数目成正比。这意味着纯预测效率迫在眉睫。

这就是量化神经网络的用武之地：量化网络最初的动机是减小模型文件尺寸，在模型载入后仍然转换回浮点数，这样你已有的浮点计算代码无需改动即可正常运行，另一个量化的动机是降低预测过程的计算资源需求。

虽然只是中端芯片，但联发科P90（总分18231）的实际AI性能，几乎与骁龙旗舰处理器不分伯仲（虽然P90理论GMAC参数占下风），它采用了独立的AI芯片——其设计来自GPU“魔改”，以优化深度学习任务。与竞争对手相比，这款芯片的不足在于CPU性能弱了30%，GPU也差强人意。

华为麒麟980（总分14646）发布已近半年，虽然账面成绩逊一筹，但值得指出的是，它的浮点性能与两个对手不分胜负，这意味着运行浮点神经网络任务，亦相差无几——这是当下AI研究和开发的主流技术，而且每个网络架构，都能以浮点模型训练。反之则不然，能转换为量化模型的网络较少，且常常伴随着准确度大幅下降。所以在2019年初，华为麒麟980仍算强大。

回顾历史，早在2004年，华为开始组建手机芯片研发队伍，经过5年研发，到2009年，才拿出第一款海思K3。到2014年初，推出麒麟910，首次采用28nm制程，才有自己的名声。整个2014年，华为不停的迭代，一共发布了6款芯片，终于有了长足进步。

再到2015年11月，麒麟950 SoC发布，采用16nm FinFET Plus工艺，勉强追上高通。而在950之后，华为又在2016年发布了960，2017年发布970，再到2018年7月发布710、8月发布980，终于开始领跑——之后的一个季度，华为麒麟970/980家族几乎垄断了AI-Benchmark商用设备榜单。

那么，目前地表最强的移动AI处理器最终花落骁龙855？隔壁苹果家的A12X Bionic可能并不同意（AI-Benchmark目前只支持Android平台）。

【完】

 热 文 推 荐 

☞ 京东末位淘汰 10% 高管 ；聊天宝惊现大 Bug：用户可提现百万；斗鱼回应“人去楼空” | 极客头条

那些被遗忘的码农

告别相杀！面向对象和函数式编程共存

那些简历造假拿 Offer 的程序员，后来都怎么样了？

被V神点赞, 我是如何用五子棋打败以太坊排名最高的应用的？ |人物志

☞ 50个最有价值的数据可视化图表（推荐收藏）

一键免费自动AI抠图，效果连PS大哥也点赞！

史上最难的一道Java面试题

print_r('点个好看吧！');
var_dump('点个好看吧！');
NSLog(@"点个好看吧！");
System.out.println("点个好看吧！");
console.log("点个好看吧！");
print("点个好看吧！");
printf("点个好看吧！\n");
cout << "点个好看吧！" << endl;
Console.WriteLine("点个好看吧！");
fmt.Println("点个好看吧！");
Response.Write("点个好看吧！");
alert("点个好看吧！")
echo "点个好看吧！"

点击“阅读原文”，打开 CSDN App 阅读更贴心！

喜欢就点击“好看”吧！