手机上的AI技术有什么用？
自从麒麟970率先加入NPU模块后，手机处理器似乎又回到了当初核心数量大战的时代，高通和苹果纷纷在处理器中加入AI计算模块，通过针对AI计算设计模块，不断提高处理器AI算力。那我们该如何衡量这些处理器的AI算力呢？我们不妨试试这些软件。不过说AI跑分之前，我们首先要搞清楚各大厂商所谓的AI核心到底有什么用，是干什么的。
而要分析作用之前，我们需要先解释清楚AI这个流行词。华为Mate 20 Pro（8GB RAM/全网通）电商报价京东商城 ￥6299天猫商城 ￥5699ZOL商城 ￥6300手机上的AI到底是什么东西所谓AI，其实就是指人工智能，如果将范围缩小在硬件层面，就是指模拟人类大脑结构的人工神经网络。说白了，就是模拟人的神经结构和功能的数学模型或计算模型，通过大量的人工神经元联结进行计算。
不同于传统逻辑推理，基于大量数据统计的人工神经网络具有一定的判断力，在语音识别和图像识别上特别有优势。单层神经元网络而目前手机真正能用到AI（也就是神经网络）的功能也就集中在图像识别这一领域，各大厂商新加入的各种拍照方面的算法优化，也正是得益于手机图像识别能力的提升。所以，现在最能体现手机AI算力的跑分软件，都使用了图片处理来衡量处理器的AI算力，AI Benchmark就是其中的代表。
AI Benchmark这款软件主要测试了手机使用神经网络识别和处理图像的能力。并通过9个独立的神经网络执行不同的图像识别任务，考察各大处理器的AI处理能力。这9个不同神经网络分别针对不同的识别任务，其一是对象识别/分类，通过输入不同的图片进行训练，AI能够对数量庞大的图片进行区分，在AIbenchmark中，它还使用了不同像素的分辨率来进行识别，以进行更精确和细小物体的检测。
对象识别测试这一点与我们现在常见的“智慧识别”息息相关，虽然各大厂商都已经推出了这项功能，但是在识别准确率上都有所差别，因此这一项在跑分中还是拥有一定的说服力。此外，识别也分为物体识别与面部识别，在面部识别上，AI将会将面部图像分解为不同的特征点，然后通过与库里特征点进行比对，最终输出最近似的结果。面部识别测试在我们的手机上，除了图片搜图片这种多对多的识别方案，也包括多对一的面部识别解锁方案。
相比而言，面部识别方案需要比对的库里数据处理量虽然少，但是在特征点采集上面，面部识别的神经元网络需要经过更深次的细节训练。之前的AI应用在于识别-对比环节，而这一步的AI则偏向图像处理环节。例如在缺少光学变焦的手机上，如果你放大图片的话，你会发现细节部分的噪点会十分突出，这是因为它细节部分全部都是由算法补充出来的。
通过训练，AI能够对缺少过渡部分周围的像素进行识别，并且经过计算后自动填充，使得画面更加平滑自然。使用神经网络对图像进行去模糊处理而语义图像分割则是图像识别的进一步应用，也是立足在大量的图像识别上，然后针对整个画面识别的结果进行分类并加以标明。除此之外，AIbenchmark还测试了照片增强环节，这一项功能比较常见，就是常说的拍照AI模式，能够对画面场景进行识别以后按照预定的算法预设进行调整，比如说画面集体提亮，蓝天白云饱和度拉高等。
分割图像语义前面说了这么多测试全部都是建立在图像识别上，但是对于一般手机而言，大量的图像计算会消耗大量的内存，所以最后一个测试，也是对手机内存大小的测试。内存大小同样会限制识别图像大小说了那么多，我们来看看目前市面上的处理器跑分成绩到底如何。我们将AI Benchmark官方的跑分天梯图奉上，大家也可以自己下载这个软件（搜索AI Benchmark即可），测测自己手机的AI性能究竟如何。
AI跑分排行榜需要说明的是，目前跑分的前三名都是开发平台上测试的处理器。既然平台不同，性能和手机内部的同款处理器有差别也属于正常。同时这个跑分软件也有很大的局限性，比如尚未支持iOS系统等问题，不过相信未来还会有更全面的AI评分标准。毕竟目前的手机AI处理还处在“初级”水平，未来的路还很长，手机阵营三大芯片巨头谁胜谁负还未可知也。
截止目前为止，共有九位答主从各个方面基于不同的角度介绍了人工智能的相关概念以及应用化场景，我的这个回答尝试着从学术的角度去科普一下人工智能（“AI”），可能读起来未必朗朗上口，但是对于理解AI及其应用会有另外一番感受！AI的概述及发展历程AI是由McCarthy在Dartmouth学会上正式提出的，被人们称为世界三大尖端科技之一（其他的两个是纳米技术与基因工程）。
AI作为计算机学科的一个重要分支，是一门涉及心理学、认知科学、思维科学、信息科学、系统科学和生物科学的综合型技术学科。对于AI大的定义，至今并没有形成一个统一的定义，尼尔逊教授认为AI是关于知识的学科，及怎么表示知识以及怎么样获得知识并使用知识的学科。温斯特教授认为AI就是研究如何使计算机去做过去只有人才能做好的工作，从这两个定义大致的可以看出，AI是研究人类活动的规律，使得机器或者计算机能够像人一样进行思考、决策、行动。
AI大致经历了五个阶段：黄金时期（20 世纪50 年代至70 年代）、第一次低谷（20 世纪70、80 年代）、大繁荣时期（1982 年至1987 年）、寒冬阶段（1990年至2000年）、春天时代（21世纪初至今），其发展举世瞩目，2017年 AlphaGo 机器人使用树搜索的算法在与围棋界的世界顶级棋手柯洁的对弈中取胜后，AI一夜蹿红，它现在已然成为这个时代的新宠儿。
我国在2017年发布了《新一代人工智能发展规划》，人工智能从研究层面上升到了国家战略高度。人工智能的应用机器翻译近几年，随着采用深度学习和神经网络的方法，使机器翻译的技术有了很大进步。例如目前被广泛应用的是基于深度学习技术的长短时记忆循环神经网络的机器翻译模型，它可以转换任意长度的句子并对关键词进行“记忆”，从而解决了句子向量化的难题，也使机器对语言的处理提升至语义理解的高度。
然而，无论采用哪种方法，不可否认的是，目前机器翻译的最大困难在于译文的质量，机器翻译水平与人工翻译水平仍然相差甚远，不能相提并论。早在20多年前，国内著名语言学家周海中就认为要想达到翻译的“信、达、雅”机器翻译是做不到的。也可以说，机器翻译是人工智能领域中一个很难攻克的课题。在提高机译质量的困难面前，只靠机器本身根本无法做到，这有待未来科学技术的发展，尤其是人工智能在神经信息学研究上的重大突破。
生物特征识别生物特征识别技术是一种借助计算机、生物传感器等手段对人类所固有的生物特征如指纹、骨骼、视网膜和DNA 等，或行为特征如姿势和习惯等，进行个体身份识别认证的技术。这项技术的关键在于计算机如何获得个人独有的生物特征，在将之转换成数字信息后进行特征存储，并借助可靠的匹配算法进行分析，进而完成个人身份的识别与验证。
其中，它涉及到图像处理与模式识别等多项技术，并在教育、管理、金融、国家安全、信息安全等领域都得到了广泛应用。例如，目前成熟且大规模运用的人脸识别技术就是生物特征识别的热点技术之一，它是计算机视觉的典型应用，属于一种非接触型认证。此外，指纹识别、皮肤芯片、步态识别、虹膜识别、静脉识别、视网膜识别、DNA识别等也是生物特征识别的热点技术，它们在特定的领域都各有所长，是生物特征识别技术的突出发展成果。
无人驾驶视觉系统属于人工智能技术中的一个组成部分，可以指引汽车在行车道上以更加稳定的速度行驶.当前美国已经成功把这一项技术应用在微型汽车中，可以对汽车进行自主导航，而且行进大约2000 公里的路程在整个行驶的过程中有98%的时间都需要借助于这个系统对汽车进行相应的控制.根据对视觉系统相关内容的调查了解，人们一般会在寻找公路出口的时候对汽车进行控制.对于视觉系统的进一步完善可以让其积累更多的实用经验，进而计算出最佳的驾驶方向，实现对汽车的科学控制.通过人工智能技术的不断发展，在未来无人驾驶技术必然会得到实现。
