儘管相當數量的人工智能服務，是由雲計算網絡提供，但在響應低延遲、保護隱私、應用場景等方面，手機AI芯片無可替代。例如人臉解鎖，圖像增強、識別，智能助手，拍照場景識別，這些你我每天都會接觸的功能，離不開手機神經引擎的加持。
AI-Benchmark測評
AI-Benchmark是蘇黎世聯邦理工學院(ETH Zürich)計算機視覺實驗室Andrey Ignatov開發的AI基準測試程序，它不依賴於每個SoC供應商自己的SDK工具和API基準，能更客觀地展示終端性能。
其測試任務包括以下9項(http://ai-benchmark.com/tests.html)：
目標識別/分類：這是一個非常基礎但很強大的神經網絡，能夠基於一張照片識別1000個不同的對象類別，準確率約爲70%。經過量化，其大小可小於 5MB，再加上低耗內存，可在幾乎所有現有智能手機上使用。
精確目標識別/分類：這是對上一個網絡的進一步擴展，更加精確，但代價是規模是原來的4倍，且對計算的要求較高。一個明顯的優勢是——它可以處理分辨率更高的圖像，這意味着更精確的識別和更小目標的檢測。
人臉識別：實現方式爲，對於每個人臉圖像，神經網絡會對人臉編碼並生成128維的特徵向量，該特徵向量不隨縮放、移動或旋轉而改變。然後在數據庫中檢索和此向量最匹配的特徵向量(以及對應的身份)，數據庫裏包含數億個此類信息。
圖像去模糊：模糊是通過一種最原始、最簡單、最輕量級的神經網絡 SRCNN(只有 3 個卷積層)去除的。即便如此，它仍然顯示出相當令人滿意的結果。
圖像超分辨率：使用一個19層的VGG-19網絡。儘管目前來看，該網絡的表現並不驚豔，也不能重建高頻部分。但它對於繪畫仍是理想的解決方案，因爲該網絡可以讓圖像變得更加清晰、平滑。
另一種圖像超分辨率：任務同上，但完成方法略有不同，如果使用其他神經網絡訓練我們的神經網絡會如何?我們安排兩個網絡去完成兩個不同的任務：網絡嘗試解決上面提到的超分辨率問題，網絡B觀察其結果，嘗試找到其中的缺陷並懲罰網絡A。
語義圖像分割：根據車載攝像頭拍攝的照片檢測19類目標(如車、行人、路、天空等)。
圖像增強：經過恰當訓練的神經網絡可以讓舊手機上的照片看起來更時髦。
內存極限：任務4使用的SRCNN是最輕便、簡單的神經網絡之一，這項測試的目的是找到設備的極限，即這個最簡易的網絡到底能處理多大的圖像。
一騎絕塵 or 不分勝負
在剛出爐的2019年2月排行中，高通驍龍855位列榜首，緊隨其後是聯發科Helio P90處理器。而華爲最強手機處理器麒麟980(去年9月發佈)，在這項測試中，已被驍龍855大幅甩開35%。
驍龍855(總分19769)對浮點和量化神經網絡都能提供出色的硬件加速——前者依靠Adreno 640 GPU，而量化網絡則運行在Hexagon 690 DSP中。這種組合省略了AI獨立運算單元，依舊是傳統的CPU/GPU及DSP/ISP兼職處理AI任務。這種設計思路，令SoC更小巧，也更容易開發，但原本用於圖形任務設計的GPU，在更遠的未來可能會觸及架構瓶頸，難免還要面對芯片架構的一次大調整。
芯片之爭既是長跑，也是衝刺。
關於量化網絡
開發神經網絡時最大的挑戰是讓其真正起效，訓練一般希望速度快準確率高。使用浮點算法是保持結果精確最簡單的方式——GPU擁有加速浮點算法庫，所以不需要過多關注其他數值格式。
而隨着大量神經網絡模型投入實際應用。訓練計算需求隨研究者數目線性增長，預測所需的週期與用戶數目成正比。這意味着純預測效率迫在眉睫。
這就是量化神經網絡的用武之地：量化網絡最初的動機是減小模型文件尺寸，在模型載入後仍然轉換回浮點數，這樣你已有的浮點計算代碼無需改動即可正常運行，另一個量化的動機是降低預測過程的計算資源需求。
大連渤海醫院電話是多少 http://yyk.39.net/hospital/f9a8f_registers.html
雖然只是中端芯片，但聯發科P90(總分18231)的實際AI性能，幾乎與驍龍旗艦處理器不分伯仲(雖然P90理論GMAC參數佔下風)，它採用了獨立的AI芯片——其設計來自GPU“魔改”，以優化深度學習任務。與競爭對手相比，這款芯片的不足在於CPU性能弱了30%，GPU也差強人意。
華爲麒麟980(總分14646)發佈已近半年，雖然賬面成績遜一籌，但值得指出的是，它的浮點性能與兩個對手不分勝負，這意味着運行浮點神經網絡任務，亦相差無幾——這是當下AI研究和開發的主流技術，而且每個網絡架構，都能以浮點模型訓練。反之則不然，能轉換爲量化模型的網絡較少，且常常伴隨着準確度大幅下降。所以在2019年初，華爲麒麟980仍算強大。
回顧歷史，早在2004年，華爲開始組建手機芯片研發隊伍，經過5年研發，到2009年，纔拿出第一款海思K3。到2014年初，推出麒麟910，首次採用28nm製程，纔有自己的名聲。整個2014年，華爲不停的迭代，一共發佈了6款芯片，終於有了長足進步。
再到2015年11月，麒麟950 SoC發佈，採用16nm FinFET Plus工藝，勉強追上高通。而在950之後，華爲又在2016年發佈了960，2017年發佈970，再到2018年7月發佈710、8月發佈980，終於開始領跑——之後的一個季度，華爲麒麟970/980家族幾乎壟斷了AI-Benchmark商用設備榜單。
那麼，目前地表最強的移動AI處理器最終花落驍龍855?隔壁蘋果家的A12X Bionic可能並不同意(AI-Benchmark目前只支持Android平臺)。