ប្រវត្តិ និងការអភិវឌ្ឍ

Geekbench AI ត្រូវបានអភិវឌ្ឍដោយ Primate Labs ដែលជាក្រុមហ៊ុនសូហ្វវែររបស់អៀរឡង់ ហើយត្រូវបានគេស្គាល់ពីស៊េរី Geekbench នៃការធ្វើតេស្តសមត្ថភាព (performance benchmarks) ដែលអាចប្រើបានលើវេទិកាច្រើន។ ដោយផ្អែកលើក្របខ័ណ្ឌ Geekbench ដែលបានបង្កើតរួចសម្រាប់ការធ្វើតេស្ត CPU និង GPU Primate Labs បានពង្រីកឧបករណ៍របស់ខ្លួន ដើម្បីឆ្លើយតបទៅនឹងភាពសំខាន់កាន់តែខ្លាំងឡើងនៃការងារបញ្ញាសិប្បនិម្មិតនៅលើឧបករណ៍ផ្ទាល់។ ការធ្វើតេស្តនេះកំណត់គោលដៅលើឧបករណ៍ Android និង iOS ដោយឆ្លុះបញ្ចាំងពីការដាក់ពង្រាយយ៉ាងទូលំទូលាយនៃសមត្ថភាព AI inference នៅក្នុងស្មាតហ្វូន និងថេប្លេតសម្រាប់អ្នកប្រើប្រាស់ទូទៅ។ លទ្ធផលត្រូវបានដាក់ស្នើដោយអ្នកប្រើប្រាស់ និងត្រូវបានប្រមូលផ្តុំទៅក្នុងតារាងចំណាត់ថ្នាក់ (leaderboard) ដែលអាចចូលមើលបានជាសាធារណៈ ដោយផ្តល់ទិន្នន័យទូលំទូលាយអំពីសមត្ថភាពឧបករណ៍ក្នុងស្ថានភាពជាក់ស្តែង។

រចនាសម្ព័ន្ធការធ្វើតេស្ត និងការឲ្យពិន្ទុ

Geekbench AI វាយតម្លៃសមត្ថភាព AI inference នៅទូទាំងបណ្តាញគណនាចំនួនបីប្រភេទ៖ CPU, GPU និង NPU (Neural Processing Unit)។ វិធីសាស្ត្រច្រើនបណ្តាញនេះអនុញ្ញាតឱ្យការធ្វើតេស្តចាប់យកផ្លូវផ្នែករឹងផ្សេងៗ ដែលឧបករណ៍ទូរស័ព្ទទំនើបប្រើដើម្បីបង្កើនល្បឿនការងាររៀនម៉ាស៊ីន។ ការធ្វើតេស្តត្រូវបានអនុវត្តដោយប្រើប្រភេទភាពជាក់លាក់ (precision) នៃ workload ចំនួនបីប្រភេទដាច់ដោយឡែក៖

Single Precision: ប្រតិបត្តិការលេខអណ្តែតទំហំ 32-bit ស្តង់ដារ ដែលតំណាងឱ្យ workload inference ដែលមានភាពជាក់លាក់ពេញលេញ។
Half Precision: ប្រតិបត្តិការលេខអណ្តែតទំហំ 16-bit ដែលជាទូទៅត្រូវបានប្រើដើម្បីសមតុល្យរវាងប្រសិទ្ធភាព និងភាពត្រឹមត្រូវលើផ្នែករឹងដែលអាចគាំទ្រ។
Quantized: Inference ដែលផ្អែកលើចំនួនគត់ (integer-based) ដែលឆ្លុះបញ្ចាំងពីបច្ចេកទេសបង្កើនប្រសិទ្ធភាព ដែលត្រូវបានប្រើយ៉ាងទូលំទូលាយ ដើម្បីកាត់បន្ថយទំហំម៉ូដែល និងបង្កើន throughput លើផ្នែករឹងទូរស័ព្ទ។

ប្រភេទ workload នីមួយៗបង្កើតពិន្ទុរបស់ខ្លួន ហើយពិន្ទុទាំងនេះត្រូវបានបញ្ចូលទៅជាពិន្ទុ Geekbench AI សរុប (composite)។ ពិន្ទុទាំងអស់ត្រូវបានក្រិតតាមមូលដ្ឋាន (baseline) នៃ 1,500 ដែលត្រូវនឹងសមត្ថភាពដែលវាស់បានលើប្រូសេសស័រ Intel Core i7-10700។ វិធីសាស្ត្រក្រិតនេះអនុញ្ញាតឱ្យពិន្ទុពីឧបករណ៍ចល័តផ្សេងៗអាចត្រូវបានបកស្រាយក្នុងបរិបទដែលស្របគ្នា និងអាចប្រៀបធៀបបាន។

ករណីប្រើប្រាស់ និងកម្មវិធី

ការធ្វើតេស្តនេះបម្រើគោលបំណងជាក់ស្តែងជាច្រើនសម្រាប់អ្នកប្រើប្រាស់ផ្សេងៗគ្នា។ សម្រាប់អ្នកប្រើប្រាស់ទូទៅ leaderboard ដែលអាចចូលមើលបានជាសាធារណៈ ផ្តល់ចំណុចយោងពេលប្រៀបធៀបសមត្ថភាព AI inference របស់ស្មាតហ្វូន និងថេប្លេត មុនពេលទិញ។ សម្រាប់អ្នកអភិវឌ្ឍន៍ និងអ្នកស្រាវជ្រាវដែលធ្វើការលើកម្មវិធី AI សម្រាប់ឧបករណ៍ចល័ត រចនាសម្ព័ន្ធច្រើនបណ្តាញ និងច្រើនកម្រិតភាពជាក់លាក់ ផ្តល់ការយល់ដឹងអំពីរបៀបដែលការកំណត់រចនាសម្ព័ន្ធផ្នែករឹងផ្សេងៗគ្នា ដោះស្រាយតម្រូវការផ្សេងៗនៃ inference។ ការដាក់បញ្ចូលការធ្វើតេស្ត NPU មានភាពពាក់ព័ន្ធជាពិសេស ដោយសារក្រុមហ៊ុនផលិតឧបករណ៍កាន់តែច្រើនបានបញ្ចូលផ្នែករឹងសម្រាប់ដំណើរការបណ្តាញសរសៃប្រសាទ (neural processing) ដោយផ្ទាល់ទៅក្នុងការរចនាប្រព័ន្ធលើបន្ទះឈីប (system-on-chip) របស់ឧបករណ៍ចល័ត។

ដោយសារលទ្ធផលត្រូវបានដាក់ស្នើដោយអ្នកប្រើប្រាស់ និងទាញយកពីឧបករណ៍ជាច្រើនប្រភេទ leaderboard ឆ្លុះបញ្ចាំងពីចំណែកផ្នែករឹងដែលមានភាពចម្រុះនៅក្នុងទីផ្សារអ្នកប្រើប្រាស់ រួមទាំងឧបករណ៍កម្រិតខ្ពស់ (flagship) និងកម្រិតមធ្យម (mid-range) ដែលដំណើរការលើកំណែបច្ចុប្បន្ន និងកំណែថ្មីៗនៃ Android និង iOS។

បរិបទក្នុងការធ្វើតេស្តសមត្ថភាព AI

Geekbench AI មានទីតាំងជាក់លាក់មួយក្នុងទេសភាពទូលំទូលាយនៃការធ្វើតេស្តសមត្ថភាព AI ដោយផ្តោតតែទៅលើផ្នែករឹងសម្រាប់ឧបករណ៍ចល័ត និងថេប្លេត ប៉ុណ្ណោះ មិនមែនប្រព័ន្ធ data center ឬ desktop។ ខណៈដែលការធ្វើតេស្តផ្សេងៗផ្តោតលើ accelerators សម្រាប់ម៉ាស៊ីនបម្រើ ឬ GPU សម្រាប់ desktop Geekbench AI ត្រូវបានរៀបចំសម្រាប់ការធ្វើ inference នៅលើឧបករណ៍ផ្ទាល់ ក្នុងបរិស្ថានដែលមានកម្រិតធនធាន។ គំរូដែលបានដាក់ស្នើដោយអ្នកប្រើប្រាស់ និងប្រមូលពីសហគមន៍ (crowd-sourced) ធ្វើឱ្យវាខុសពីការធ្វើតេស្តក្នុងមន្ទីរពិសោធន៍ដែលគ្រប់គ្រងបានយ៉ាងតឹងរ៉ឹង ដោយផ្តល់នូវទំហំគ្របដណ្តប់ និងការគ្រប់គ្រងឧបករណ៍ច្រើនប្រភេទក្នុងតម្លៃនៃភាពស្ថិរភាពបរិស្ថានមួយចំនួន។ នៅពេលដែលការដំណើរការ AI នៅលើឧបករណ៍ផ្ទាល់ ក្លាយជាចំណុចលេចធ្លោកាន់តែខ្លាំងក្នុងទីផ្សារផ្នែករឹងសម្រាប់ឧបករណ៍ចល័ត និងការបែងចែកផលិតផល ឧបករណ៍ដូចជា Geekbench AI ផ្តល់ចំណុចយោងដែលមានស្តង់ដារ សម្រាប់ការប្រៀបធៀប ដែលអាចចូលប្រើបានសម្រាប់ទស្សនិកជនទូទៅ។

Geekbench AI Benchmark

Metrics

ໝວດหมู่

ຮູບແບບຫົວຂໍ້

ប្រវត្តិ និងការអភិវឌ្ឍ

រចនាសម្ព័ន្ធការធ្វើតេស្ត និងការឲ្យពិន្ទុ

ករណីប្រើប្រាស់ និងកម្មវិធី

បរិបទក្នុងការធ្វើតេស្តសមត្ថភាព AI