IT之家7月9日消息 這兩年來，智能手機的體驗是越來越全面和出色，很大一部分原因，是依賴于 AI 人工智能技術的成熟和普及，比如離線翻譯、圖片識別、文字提取、智能提醒等等功能幾乎成為了每一臺智能手機的標配，現(xiàn)如今智能手機的功能已經(jīng)遠遠超過我們 10 年前對手機的定義。

技術的進步，潛移默化地改變了我們的生活方式，特別當 5G 真正普及到智能手機終端時，AI 強大的智慧處理能力將發(fā)揮出巨大的能量，也正因此，AI 不僅成為各大手機廠商們炙手可熱的宣傳概念，更是被廣大消費者所熟知和接受，成為購買一臺手機的重要影響因素。

和處理器性能一樣，消費者們了解一款手機的 AI 性能和算力，最直觀的方式是通過跑分應用測試獲得，針對 AI 跑分，目前市面上較為熟知的應用有三款，分別是安兔兔的 AI 跑分、AIMark（魯大師）和蘇黎世 AI 跑分應用 ETH AI Benchmark，其中 ETH AI Benchmark 還分為 V3 和 V4 版本，不少細心的小伙伴會發(fā)現(xiàn)，盡管都是同樣的 AI 跑分應用，但針對不同處理器（比如同為旗艦的驍龍 865 和麒麟 990），跑分的成績還各不相同，在 ETH AI Benchmark 中，麒麟 990 的跑分占更大優(yōu)勢，但是在安兔兔和 AIMark 中，搭載驍龍 865 手機的 AI 跑分明顯要更高，那么這又是怎么回事呢？

外媒 Hothardware 近日就撰寫了一篇名為《關于手機 AI 跑分，你需要了解些什么》的文章，深度解析了手機的 AI 跑分以及如何衡量 AI 和機器學習性能，我們具體來看。

在介紹 AI 以及 ML（機器學習）之前，要先了解到神經(jīng)網(wǎng)絡（NN）這個概念，因為這是 ML 和 AI 在訓練和推理過程中不可或缺的部分。神經(jīng)網(wǎng)絡是受人類大腦活動啟發(fā)的算法模型，通常需要基于大量數(shù)據(jù)進行訓練，通過對數(shù)據(jù)的多層篩選，從而確定數(shù)據(jù)中的特定屬性。

舉一個通俗易懂的例子，神經(jīng)網(wǎng)絡的訓練和學習過程，有點類似我們幼年時期開始認識萬物的過程——比如說，貓和狗都有兩只耳朵，那么如何判別眼前的是貓還是狗，需要我們不斷的去認識新的貓和狗，在這個辨別的過程中，我們會記住貓除了兩只耳朵之外的更多屬性，比如可以收縮的瞳孔、喵喵的叫聲、細長的尾巴等等，通過這些信息，我們可以判斷所看到的是貓還是狗。神經(jīng)網(wǎng)絡的訓練和推理也是一樣，人類向 AI 系統(tǒng)提供大量的訓練數(shù)據(jù)，判斷某個數(shù)據(jù)片段是否滿足特定的標準，實現(xiàn)自我 “推理”能力，最終為用戶提供智能化結(jié)果。

當然，AI 和 ML 的背后遠不止上述這些，IT之家在這里只是為大家做一個簡單的介紹，更深一層技術在這里就不具體探究了。

Hothardware 在文章中指出，ML 和 AI 應用正在飛速發(fā)展，伴隨運行應用的框架、硬件和訓練神經(jīng)網(wǎng)絡的不斷演進，大多數(shù)人可能難以判斷哪些解決方案最適合特定的用例或應用。訓練和推理過程對于計算能力有著極其不同的要求，充分滿足運行特定應用所需的準確率可能需要一些專業(yè)數(shù)學或精確度。

目前，許多跑分工具所用的常見神經(jīng)網(wǎng)絡包括面向圖像分類的 ResNet-34 和 Inception-V3、面向單一目標檢測和移動視覺的 Mobilenet-SSD，以及面向圖像語義分割的 Google DeepLab-v3 等。

現(xiàn)有的 AI 跑分往往彼此大相徑庭，是因為，絕大多數(shù)手機 AI 跑分對整數(shù) / 浮點性能的重視程度和賦予權重的方式不同。

這里要簡單介紹一下 AI 計算中的兩個重要關鍵詞——FP16（半精度浮點數(shù)）和 INT8（定點計算方式）。

FP16 和 INT8 同為端側(cè) AI 計算深度學習模型中的常用數(shù)據(jù)格式，客觀的講，FP16 和 INT8 并沒有完全的優(yōu)劣之分，更多的是在不同場景下有不同的需求，針對不同的 AI 應用有各自不同的優(yōu)勢。

FP16 提供更高精度，比如在一些高精度圖像處理的場景上，F(xiàn)P16 可實現(xiàn)更高精度的 “摳圖”，但高精度相應的功耗也高了不少，醫(yī)療和其他對精準度要求較高的行業(yè)可能需要 FP16。

相比與 FP16，INT8 精度略低，但功耗更低，數(shù)據(jù)量小，計算速度也更快，具備能效優(yōu)勢，因此更適合移動終端，INT8 在移動應用中也最為常用。

以三款跑分 App 為例，魯大師的 AIMark 采用了高通的平臺軟件開發(fā)包高通神經(jīng)網(wǎng)絡處理引擎 SDK，AImark 主要利用 AI 計算中 INT8 定點的神經(jīng)網(wǎng)絡模型來確定 SoC / 移動終端的 AI 性能，在一些實際場景中使用 AI 模型，INT8 應用更加廣泛。在 AIMark 跑分中，高通驍龍 865 移動平臺脫穎而出，865 配備了比前代平臺更強大的第五代高通人工智能引擎 AI Engine。

安兔兔和魯大師 AIMark 類似，可能也采用某個版本的高通神經(jīng)網(wǎng)絡處理引擎 SDK，因此跑分結(jié)果顯示高通驍龍 865 的終端表現(xiàn)比其他移動平臺出色得多。

在 ETH AI Benchmark 應用中，v3 版本的情況完全不同于前面運行的兩個跑分應用，ETH AI Benchmark 采用 TensorFlow Lite（TFLite）和 Android 神經(jīng)網(wǎng)絡 API（NNAPI），使用這兩套標準接口而非廠商自研的 SDK，此外 v3 版跑分特別重視浮點性能，該版本跑分中浮點運算的權重很高，同時，麒麟 990 有對浮點（FP）運算進行優(yōu)化的專用 AI 處理器，因此麒麟 990 的得分遙遙領先。文章中，Hothardware 認為，ETH AI Benchmark v3 的結(jié)果似乎不太平衡，在 ETH AI Benchmark v4 測試結(jié)果中，雖然總體趨勢未變，但麒麟 990 勝出的分值大幅降低。

在外媒測試的三個跑分程序中 INT8 定點和 FP16 浮點性能差別十分明顯，AIMark 和安兔兔 AI 跑分的成績很大程度上取決于 INT8 性能，而 ETH AI Benchmark 更重視 FP16，這就可以很好的解釋，為什么不同平臺之間的 AI 跑分成績各不相同——芯片平臺之間 AI 計算的方式側(cè)重點是不同的。Hothardware 認為，INT8 和 FP16 并無優(yōu)劣之分，但 INT8 通常能效比更好，其 AI 模型效率和精度也在不斷提升，更適合手機這類移動終端，保持長續(xù)航。

當然，對于消費者而言，AI 的跑分高低并不能代表最終落實到消費者親身的體驗，我們更追求更高跑分，但在跑分之外，真實使用場景下的 AI 應用體驗提升才是最重要的。

廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。