FPGA到底有啥优势，能担当AI时代主角？

人工智能(AI)算法日新月异，对嵌入式处理器的灵活性带来许多考验，也让以灵活弹性著称的现场可编程门阵列(FPGA)组件有很大的发挥空间。

赛灵思ISM营销资深技术经理罗霖表示，由于人工智能目前还处于发展阶段，算法日新月异，目前还没有一个算法可以固定下来，这为ASIC的设计带来很大挑战，因客户往往需要的是十分灵活的架构。

有鉴于此，赛灵思推出reVISION堆栈技术，其具备了可重组以及所有形式链接的特性，让开发者能充分运用堆栈技术，快速研发与部署升级方案，这样的特性对于开发未来需求的智能视觉系统是至关重要的的。 不仅如此，该技术也使开发者在结合机器学习、计算机视觉、传感器融合与连接的应用时，能够获得显著优势。

举例而言，相较于其他嵌入式GPU与传统SoC，reVISION将机器学习推论的每秒每瓦影像效能，提升了6倍、计算机视觉每秒每瓦每帧处理速度提升了42倍，而延迟却只有五分之一。

罗霖分析，相较于同等级GPU技术，FPGA在低延迟(Low Latency)的部分，本身就与传统的架构不同，传统架构是将收集到的数据送到DDR内存中进行缓存，处理器要再从DDR中取出数据进行运算，运算完成后再送回DDR。 但FPGA则是采用像素流(Stream)的方式，直接可以到模拟进行运算，运算完成后，输出结果即可，由于省去了存取DDR的时间，因此可以延迟可以降到非常低。

从算法的层面来看，人工智能含有许多智能决策的部分，因此需要有很强的平行运算能力。 这些算法进而对处理器结构产生了不同的需求，像是在神经网络中，卷积运算强调的是平行运算，适合在FPGA上运行，但在传感器融合的部分，则比较适合在CPU上运行，因其必须将硬件进行分割，再将不同的算法，放到处理器中。

罗霖指出，在脱机的神经网络训练部分，GPU的确是比较有优势的，由于其要求的浮点运算性能特别高，因此不少深度学习都是采用GPU，而赛灵思的立场是不会以FPGA去进攻这块市场，不过若是以在线的任务来看，FPGA还是很有优势的。 目前边缘运算对嵌入式处理器的要求除了传感器的接口要够多，组件的I/O型态也十分多变，可能是高速率、中速率或低速率，这些处理器都要能支持，且在线处理的能力也相当关键。

更多最新行业资讯，欢迎点击《今日大事要闻》！