文章图片
图11/17



文章图片
图12/17

GPU 这边规模大 ， 频率高 ， 但 3DMark Wild Life 测试的峰值性能只比Exynos 2100 高 21% 。 在 GFX Bench 的 Aztec 场景测试中 ， 领先Exynos 2100 14% ， 小幅领先骁龙 888 。 虽然采用了分频设计 ， 但貌似瓶颈在 GPU 的其他地方 。
Tensor 的 GPU 峰值功率高达 9-10W ， 手机一跑就降频（一轮测试都没跑完啊……） ， 拖低了整体功耗 ， 所以才会有 7.28 W 的平均功耗 。 Pixel 6 系列没有热管 ， 散热配置和机身结构更像是 iPhone ， 而不是猛堆散热的安卓旗舰 。 它跑起来时 ， 左侧的 SoC 45 度 ， 但右侧只有 30-33 度 ， 散热确实是弱 。
让人不解的是 ， 今年这批 SoC 都设定了高得不切实际的 GPU 频率 ， 一跑就降频 。 可能是为了应对突发的 GPU 负载？或者是其他什么原因？但无论怎么样 ， 实际能效比是受累了 。
TPU：极强的推理性能
这是 Google Tensor 挽回颜面的地方 。 MLPerf 测试中 ， Pixel 是在 NNAPI 跑的 ， 其他厂商是各自的库 ， 高通是 SNPE（最近优化了 MLPerf 1.1 ， 提升了成绩）、三星是 EDEN ， 联发科是 Neuron ， 而苹果没有 coreML 加速 ， 所以吃亏 。


文章图片
图13/17

在图像分类、目标检测和图像分割工作负载中 ， Tensor 成绩低于高通 ， 但强于三星 。 而在语言处理（MobileBERT 模型） ， Google Tensor 提供了骁龙 888 3 倍的性能 ， 推理部分强得很 。 Google 在宣传里 ， 确实也提到过实时转录、翻译等使用场景是其差异化所在 。


文章图片
图14/17



文章图片
图15/17



文章图片
图16/17

还没发布的 GeekBench ML 测试 ， 用是 TensorFlow 模型 ， 代表的是 GPU 的机器学习性能 。 这时候 Google Tensor 就弱于Exynos 2100 。 如果用 NNAPI 模型 ， 此时是 CPU+GPU+NPU 的混合工作 ， Google Tensor 就可以大幅领先骁龙 888 。
除了绝对性能 ， 跑 AI 测试时 ， Pixel 6 Pro 的整机功耗和 Exynos 2100 的 Galaxy S21 Ultra 接近 。 单独进行推理任务时 ， Exynos 2100 的爆发功率达到 14W ， 骁龙 888 也有 12W 。 但因为 Google Tensor 的 AI 性能更高 ， 所以最终能效比要更高一些 。
不过 Google 还没有计划推出相关的 SDK 让开发者去更好地利用这颗强大的 TPU。 但再看看三星 ， 它的 NPU 发布都 2 年了 ， 现在都没有 SDK…… 现在 TPU 的强大性能 ， 主要集中体现在官方 App 里 ， 像是给摄像头加入更多的机器学习功能 ， 以及各种翻译功能 。
总结


文章图片
图17/17

Google 表示 ， 他们搞自研 SoC 的主要原因是现有的 SoC 在机器学习上的性能和能效比太低 。 而 Tensor 的机器学习性能和能效 ， 被用来支撑新的用例和体验 ， 例如我们在 Pixel 6 系列上看到的很多机器学习特性 。 像是实时转录、实时翻译和图像处理等算法 ， 所有这些都是运行在 Tensor 的 TPU 上的 。