浅谈AI跑分机制，苏黎世ETHZ测试软件解读

　 【推荐】海外独服/站群服务器/高防

智能手机技术正迎来摩尔定律的发展瓶颈，移动处理器的性能增长越来越慢，但用户对计算能力的需求增速却并未减缓，甚至在人工智能、大数据、物联网等兴起后，对计算能力、计算功耗和计算成本反而有了新的要求。目前单纯的CPU或GPU性能已经无法满足新型运算的需求，而随着移动AI时代的到来，AI芯片也成为突破摩尔定律的希望，但AI芯片的性能有多强，目前的评判标准也大不相同。

例如近期联发科推出的全新Helio P90单系统SoC解决方案，这款芯片在AI方面为用户展现了极强的算力，凭借APU 2.0的运算加速，该芯片的综合跑分数据高达25645分，一举超过了高通骁龙855平台的22082分，大胜同级别的其他竞争对手，引起业界震动。而随着跑分数据的公布，一个很少为人知的专用AI跑分软件ETHZ AIBenchmark(也被称之为苏黎世跑分)也浮出了水面。

这款针对AI芯片的跑分软件由有着“欧陆第一名校”之称的苏黎世联邦理工学院研发，该校所属的人工智能实验室在全球机器视觉、深度学习和机械工程等方面都有着深厚的积累，培养出了无数人工智能领域的人才。而这款AI跑分软件也是其在针对性测试领域的集大成之作，因为对AI的综合能力有一个准确的判断受到了业内的认可，包括华为P20、iPhone X等同样锁定AI的手机均非常看中这款测试软件的得分表现。

相比于传统的跑分测试软件，苏黎世联邦理工学院研发的这款AIBenchmark在对AI的评测上可以说是与众不同。例如为了确定智能手机是否功能强大，且能否以快速运行最新的深度神经网络来执行基于AI的任务，它就提供了8大项的核心测试环节：

MobileNet-V1神经网络的目标识别/分类

对象识别/初始分类-V3神经网络

人脸识别

图像去模糊

基于CPU、NPU、DSP的VG-19神经网络图像超分辨率

仅在CPU上的SRGAN神经网络的图像超分辨率

语义图像分割

照片增强

相比于传统的跑分测试软件来说，这8大测试环节基本上已经可以覆盖到目前大部分的AI实践运算，例如AI物体识别(测试1/2/3)、AI影像分类(测试7)、AI图像增强(测试4/5/6/8)等，而它为了完整发挥平台的AI算力，它不只支持Android神经网络API，也可以支持芯片厂商定制的程序，以充分调动芯片厂商CPU、GPU、ISP等多个硬件进行协同处理。

例如在针对联发科P90的AI算力测试部分，苏黎世的跑分机制就将其分为了三组，第一组(测试1，2，3项目)中，将使用完全由Android神经网络API(NNAPI)支持的CNN模型，测试会对移动设备进行硬件加速，主要测试的部分围绕着视觉感知来进行，包括常见的目标识别、目标分类和人脸识别等抽象级图形部分。但为达到这一环节的测试需要芯片组有每秒10到100G的MACs(每秒乘累加次数)的运算能力，基本上目前大部分的设备都可以完成这一部分的操作。

第三组(测试4、5、6、8)则是使用CNN结构(Convolutional Neural Network，卷积神经网络技术，即基于深度学习)的端到端的超分辨率算法SRCNN(Super-Resolution)进行的图形像素化部分，主要测试的部分包括图形去模糊、多元化的图像超分辨率和图形增强，目前传统的手动编码框架对物体识别的精度基本上都没有超过74%，而2012年引入的深度神经网络(DNNS)则将这一准确率提高到84%，不过在微软、Google等企业的推动下，这部分的准确率已经高达96%，不仅远超出人类的辨别能力，而且也大幅改善了AI的实用能力。

虽然ETHZ苏黎世跑分软件并不是第一个测试AI性能的应用，但就目前来看它确实是最全面的的AI评分软件。它不仅能够把AI性能测试细分为9个部分进行检测，大家熟知的智能识图仅仅只是其中一项，其他的还包括人脸，图像降噪，画面分割等项目均包含在内，不仅实现了对主流AI应用的测试，还进一步深入到对AI未来技术框架的能力探索评估中。当然更具意义的是，此前人工智能开发主要由PC和服务器上使用，很少考虑智能手机操作环境中的需求，而ETHZ苏黎世跑分显然有助于智能手机厂商对AI的不断优化。

所以从ETHZ苏黎世跑分软件中我们也发现，联发科Helio P90确实有其亮点所在，得益于独特的AI专核和APU 2.0加速引擎，这款芯片实现了前所未有的AI算力突破，高达25645分的成绩不仅位居第一，而且也实现了对其竞争对手高通的反击。另外根据数据显示，联发科P90的AI 算力高达 1127GMACs(每秒可操作11270亿次定点乘累加次数)，而例如骁龙845的成绩大约是每秒600 GMAC、麒麟970的数值大概是450 GMAC左右，所以联发科P90在AI领域实际上已经走到了行业前列。

本文参考内容：

arXiv网站上发表的题为《PIRM智能手机感知图像增强挑战》的论文，2018年10月2日出版。

thome网站名为《物体侦测物(Object Detection) + 影像标题(Image Captioning)》的著作，署名作者I code so I am，2017年12月22日发表。

本文亦参考了Facebook AI 研究院(FAIR)开源的目标检测平台Detectron的工作流程和方式。

申请创业报道，分享创业好点子。点击此处，共同探讨创业新机遇！