如今，人工智能已成为普遍的流行语，但大多数消费者可能不知道它如何与日常生活息息相关。分析人员和技术新闻界中的某些人可能还会嘲笑该术语用于某些几乎不像真正的人工智能的技术的频率。也就是说，除了强大的数据中心外，还有一些平台对于AI处理和驱动它们的NN(神经网络)来说是很自然的。其中之一是AI推理(使用AI推理信息，而不是训练NN)在边缘和口袋中，使用智能手机。

就像您想象的那样，从Android到Apple的智能手机平台差别很大，但是语音-文本翻译和推荐器引擎(例如Google Assistant和Siri)等常见工作负载大量使用了常见的AI NN模型，在设备上执行此操作可提高速度和延迟。

衡量移动设备中的AI性能

随着任何新设备的推出以及热门新应用的出现，精通技术的消费者和技术媒体成员希望能够衡量和收集各种移动生态系统中设备的相对性能。此外，目前智能手机测试和评论中的AI处理性能正在发展，因此，在主要的应用商店中当然会出现多种工具，这些工具声称能够测量电话和其他移动设备的AI性能。而且-您猜对了-这些应用程序的创建肯定不尽相同。为了解决这个问题，Marco和我深入研究了HotHardware，分析了三种主流AI基准测试中各种旗舰Android手机的性能，这些基准在某些情况下会产生截然不同的结果。

关键是要更好地了解实际测试的特定基准度量标准。测试是否代表尽可能接近实际的工作负载?理想的基准测试使用的是消费者可能会使用的实际应用程序，但短短的基准测试可以使用流行应用程序的相同核心软件组件来代表实际的性能期望。在这种情况下，这意味着我们需要了解这些基准测试工具要针对哪些NN进行测试，以及要使用哪些数学精度和AI算法来处理这些工作量。