?

2018 年，AI 幾乎充斥了我們的生活，如果見朋友不聊點和 AI 相關的話題，似乎自己就與這個時代脫節(jié)了，近期高通驍龍 855 的發(fā)布再次把 AI 的關注度推向了高潮，從權威統(tǒng)計機構的預測來看，2018 年全球 AI 市場規(guī)模預計為 1.2 萬億美元，到 2022 年有望達到 3.9 萬億美元。AI 勢不可擋的發(fā)展勢頭讓各大科技公司不得不一擁而上，不管是做芯片還是做產品，統(tǒng)統(tǒng)都要和 AI 掛鉤，大有“得 AI 者得天下”之勢。AI 已經在各個領域開始滲透，光 AI 音箱這一種亞馬遜、天貓、小米就打得不可開交，其它智能電子產品更是不勝枚舉，當然，這都不是今天的重點，今天我主要想談的是 AI 芯片，今年推出的這些 AI 芯片看看哪些比較靠譜。

目前，筆者知曉的 AI 芯片有驍龍 855、麒麟 980、蘋果 A12、聯(lián)發(fā)科 P60、紫光展銳 SC9863A 和瑞芯微 RK3399Pro，誰強誰弱先拉出來比一比：

1、驍龍 855：張量加速器不等于獨立 NPU
驍龍 855 采用臺積電 7nm 工藝制程，CPU 為 Kryo485（超級內核基于 A76 定制主頻 2．84GHz、性能內核主頻 2．42GHz、效率內核主頻 1．8GHz，1＋3＋4 架構）；GPU 為 Adreno640，與前代產品相比，渲染速度提升 20％，支持 Vulkan1.1/HDR/PBR。

驍龍 855

在 AI 性能方面，驍龍 855 加入新的張量加速器(TensorAccelerator)，專門負責 AI，組成第四代 AI 引擎?？梢詫崿F每秒超過 7 萬億次運算(7TOPs)，AI 性能比驍龍 845 提高了 3 倍，比蘋果 A12 每秒 5 萬億次運算（5TOPs）也高出不少。
?
高通的 DSP 數字信號處理器升級為最新的 Hexagon690，具備四線程標量內核，性能提升 20%，四個向量擴展核心(HVX)，性能提升 1 倍，另外一個重要的改進是引入了張量加速器(HTA)，自主設計，專為 AI 而設，支持多元數學運算、非線性方程、INT16/INT8 與混合精度整數運算，大幅提升了機器學習算法的性能和能效。結合 HexagonDSP、新的張量加速器，再借助更強的 GPU 和 CPU 完成終端側神經網絡運算，所有單元綜合實現了專有的、可編程的 AI 加速。

但是，值得注意的是，驍龍 855 并沒有配置獨立 NPU 單元，其 AI 運算需要協(xié)調 CPU、DSP、GPU 等處理器單元，如果應用場景復雜，恰巧占用了這些處理單元，AI 運算就要排隊等候。也就是，其他公司的芯片的人工智能算力是獨立算力，高通的 AI 運算是綜合算力。

2、麒麟 980: 配置雙 NPU
麒麟 980 采用 7nm 工藝制程，基于 ARM 的 A76 架構，主頻是 2.6GHz，八核心分別是 2×A76（超大核）+2×A76（大核）+4×A55（小核），其中 A76 四個核心上采用了智能調度機制。相對于傳統(tǒng)的大小核兩檔位設計，麒麟 980 讓 CPU 在重載、中載、輕載場景下靈活適配。

在 AI 配置上，麒麟 970 搭載了一個 NPU（神經處理單元），其專門負責 AI 運算，在大幅提高手機 AI 性能的同時降低了 AI 任務功耗。麒麟 980 則配置了兩個 NPU，因此在 ResNet-50 圖像識別測試中得到了 4500 張每分鐘的成績。整體來看，相較于麒麟 970，麒麟 980 的 CPU 性能提升 75%，能效提升 58%，內置的 10 核 GPU Mali-G76 讓性能密度號稱提升 30%，能效提升 30%。

3、蘋果 A12：搭載 8 核神經網絡引擎
A12 采用 7nm 技術，內部有 69 億個晶體管，采用六核 CPU 設計，相比 A11 處理器，其中兩個大核心性能提速 15％、功耗降低了 40％，四個小核心功耗降低最多 50％。A12 采用自研四核 GPU，性能相比 A11 的 GPU 性能提高 50％，并強化了對 AR 混合現實的支持，支持曲面細分、無損內存壓縮和實時多層渲染功能，AR 性能獲得大幅度提升。

關于 AI 性能，蘋果 A12 還搭載了八核神經網絡引擎，其運算速度達每秒 5 萬億次，遠超 A11 的每秒六千萬次，可以更獨立機器學習，支持多精度，智能計算系統(tǒng)。同時，蘋果還將神經網絡引擎開放給 Core?ML 平臺，開發(fā)者可將機器學習技術應用到自己的 app 中，讓學習過程在用戶的 iPhone 上進行。提升了 Siri 易用性、使 A12 芯片的機器學習能力相比之前能夠提升 9 倍，而能耗則降低到原來的十分之一。

4、聯(lián)發(fā)科 Helio P60
聯(lián)發(fā)科 Helio P60 采用 ARM Cortex A73 和 A53 大小核架構，采用八核心大小核（big.LITTLE）架構，內建四顆 ARM A73 2.0 Ghz 處理器與四顆 ARM A53 2.0 Ghz 處理器。相較于上一代產品 P23 與 P30，CPU 及 GPU 性能均提升 70%。采用 12nm FinFET 制程工藝，功耗表現得到很大提升，整體效能提升 12%，執(zhí)行大型游戲時的功耗降低 25%，大幅延長手機電池的使用時間。

關于 AI 配置，聯(lián)發(fā)科在 P60 中引入了 AI 單元 APU，在 P60 中采用了三核 ISP+雙核 APU 的架構，性能提升兩倍。ISP+APU 的多核圖像處理單元除了提供硬件加速之外，還能夠提供多線程的處理能力，這使得對于圖片處理能力和速度大幅提升。包括自動對焦、白平衡以及高規(guī)格 HDR 在內等反映的速度更快。此外，APU 的引入以及聯(lián)發(fā)科提供的平臺化的策略，也更有利于開放給合作伙伴以及第三方進行拍照的后處理，定制更多的拍照算法。應該說 AI 的引入，使得 P60 的硬件性能進一步得到釋放。與此同時，AI 所帶來的軟件層面的超級算力也將帶來諸如人臉、語音識別等功能的進一步增強。

?

5、紫光展銳 SC9863
紫光展銳 SC9863 主打 AI 牌，被稱為 8 核 AI 芯片，支持 CAT-7，采用 Arm Cortex-A55 處理器架構的 SoC 芯片平臺，在 Cortex-A55 人工智能的基礎上，進行了應用開發(fā)。Cortex-A75 與 Cortex-A55 均采用 Arm DynamlQ 技術打造，而 DynamlQ 融入了 AI 神經網絡技術。相比前代 Cortex-A53，Cortex-A55 NEON 進行了流水線改進與新增機器學習指令，讓其在矩陣乘法運算方面的機器學習性能大幅提升，如果按照 AI 8bit dot-product 運算能力，比 Cortex-A53 提升 6 倍。

同時，得益于 ARM DynamlQ 單簇組合方式，Cortex-A75 與 Cortex-A55 可實現 1+3、1+7 或者 4 個大核、8 個小核的組合，多個 CPU 核芯以單簇的方式一起工作，可發(fā)揮更強大的性能，避免“1 核有難，7 核圍觀”的狀況。紫光展銳 SC9863 采用的是 8 核 Cortex-A55 的組合方式，而高通驍龍 845 是 4 核 Cortex-A75 與 4 核 Cortex-A55 的組合方式。

SC9863 芯片平臺的 AI 能力體現在支持基于深度神經網絡的人臉識別技術，可實現快速精準的人臉認證；通過智能 AI 算法，實現實時智能場景檢測識別、不同場景智能拍照增強、支持手機側圖庫照片的智能識別與分類。但是，沒有加入獨立的神經處理單元，計算能力是否會出現折扣不得而知。

6、瑞芯微 RK3399
RK3399Pro 采用 big.LITTLE 大小核 CPU 架構，雙核 Cortex-A72+四核 Cortex-A53+四核 ARM 高端 GPU Mali-T860，其集成的 NPU（神經網絡處理器）融合了 Rockchip 在機器視覺、語音處理、深度學習等領域的多年經驗。相較傳統(tǒng)芯片，典型深度神經網絡 Inception V3、ResNet34、VGG16 等模型在 RK3399Pro 芯片上的運行效果表現出眾。

RK3399Pro 的 AI 特性有三點：
1）AI 硬件性能高，采用專有 AI 硬件設計，NPU 運算性能高達 2.4TOPs，高性能與低功耗指標均大幅領先：相較同類 NPU 芯片性能領先 150%；相較 GPU 作為 AI 運算單元的大型芯片方案，功耗不到其所需的 1%；
2）平臺兼容性，RK3399Pro 的 NPU 支持 8bit 與 16bit 運算，能夠兼容各類 AI 軟件框架?，F有 AI 接口支持 OpenVX 及 TensorFlowLite/AndroidNN API，AI 軟件工具支持對 Caffe/TensorFlow 模型的導入及映射、優(yōu)化；
3）完整方案易于開發(fā)，Rockchip 基于 RK3399Pro 芯片提供一站式 AI 解決方案，包括硬件參考設計及軟件 SDK，可大幅提高全球開發(fā)者的 AI 產品研發(fā)速度，并極大縮短產品上市時間。

從以上六款帶有 AI 功能的芯片來看，在架構上基本都是采用了多核模式，以八核為主；另外，關于 AI 運算，在原有 CPU、GPU 的基礎上增加獨立神經元計算處理單元成為主流趨勢，這樣可以實現 AI 運算加速，從而帶來更好的用戶體驗；在應用方面，還是以手機的人臉識別、圖像處理為主，未來隨著 5G 的商用，在自動駕駛汽車中的應用也會逐漸增加。

從對比中可以看出，國產廠商和國內廠商各占一半，從高端到低端均有覆蓋，在獨立神經元計算單元的集成上，只有海思、蘋果、聯(lián)發(fā)科的產品上已經實現，其它幾家廠商還在追趕。由于智能手機強烈的市場需求，因此 AI 普及起來更為順暢，但是目前需要在人臉識別和圖像處理的基礎上探索更多可能的應用。

與非網原創(chuàng)內容，未經允許，不得轉載！