① AI芯片基准battle，但终究不是一场三国杀
AI芯片领域的基准对决并非单一的三国争霸，而是多元标准共存的挑战。定义的统一性缺失让评测方法的重要性凸显，每家公司都在寻求成为标准制定者以占据产业顶端。地平线提出了MAPS评测法，聚焦速度与精度，试图填补现有评测标准的局限。然而，AI芯片性能与算法发展之间的脱节问题引起了业界关注。
传统评测标准如峰值算力，仅反映理论性能，而MLPerf则由于模型更新滞后，无法全面反映芯片在实际应用中的能力。地平线认为，评测应关注芯片在AI任务中的速度和精度，而MAPS通过可视化和量化，直观展示不同芯片的取舍。实战中，谷歌Edge TPU和地平线新品在MAPS评估下，展现出不同的性能优势和劣势。
基准测试作为行业基础和标尺，如MLPerf和AIIA DNN benchmark，各自有其局限性。MLPerf侧重训练，门槛较高，而AIIA DNN benchmark则更贴近国内厂商的使用场景。地平线的MAPS方法虽有创新，但需进一步规范应用场景和模型选择，以期成为行业标准。
AI芯片评测的未来，需要更多方法的探索，以适应不断变化的应用场景和算法需求。基准测试需兼顾性能、精度和易用性，引导芯片设计与优化，以应对AI时代的挑战。总结来说，这场基准之战，是多元标准的碰撞，也是行业进步的催化剂。
② AI芯片基准battle，但终究不是一场三国杀
AI芯片性能测评领域，一直存在多种评测方法，而地平线最近提出的MAPS（Mean Accuracy-guaranteed Processing Speed）评测方法，旨在针对应用场景，提供速度与精度的直观评估，旨在填补现有评测方法的不足。
地平线联合创始人兼技术副总裁黄畅博士指出，深度学习神经网络模型发展迅速，AI芯片面临的主要挑战是算法演进速度远超硬件改进速度，使得评估AI性能的方法与算法发展存在脱节。传统评测标准如峰值算力和MLPerf等存在局限性，无法全面反映AI性能。
MAPS评测方法通过关注AI任务的速度和精度，提供速度与精度曲线，让用户在精度有保障的范围内直观选择最合适的芯片性能。这一方法由地平线提出，旨在提供更开放、更易用的评估标准。
谷歌Edge TPU与地平线最新芯片在MAPS评测下，展现不同性能表现。基于EfficientNet模型测试，地图形成面积最大时，即为芯片最强性能。结果显示，即使标称算力相同，芯片性能也存在显著差异，地平线新芯片在高精度场景下具有优势。
AI芯片评测标准作为行业基础，是衡量成果的标尺。MLPerf和AIIA DNN benchmark等评测方法在推动行业发展方面发挥重要作用。然而，MLPerf偏重于训练端，AIIA DNN benchmark则更接地气，覆盖更多工作场景。
地平线提出的MAPS评测方法，虽然创新性适用于整体AI解决方案的行业客户，但仍存在局限性，如适用场景和行业规范等。实现行业标准，需要进一步细化模型和参数组合选择，并与业界同行、标准化组织等紧密合作。
更多评测方法的出现，反映了AI芯片评测领域的持续创新。未来AI芯片发展关键在于适应AI算法演进，平衡功耗、性能、精度与速度，实现与应用的更好结合。基准测试方法需要不断优化，以抓住AI时代机遇。