FPGA技术协助嵌入式系统竞逐于机器学习之路

机器学习技术是人工智能的一个重要科学发展，透过在经验学习中改善具体算法的效能，而且用来训练的数据越多，所学习出来的结果越好，为了处理分析大量图像或是语音等辨识的机器学习算法数据，需要采用GPU芯片所打造的高速平行运算处理的类神经网络超级计算机，利用诸如Tensorflow、Caffe等深度学习框架(Framework)等工具，来发展有效的算法。

一旦得到算法之后，对嵌入式系统的设计而言，迅速将算法应用到云端数据中心，或是直接到终端的边缘运算(Edge CompuTIng)装置上，就是目前人工智能应用成果发挥的展示场。由于嵌入式系统本身的运算效能与低功率消耗的功能不断提升，所构建的智能功能、软硬件解决方案，非常有助于开创前所未有的人工智能的应用。

机器学习的技术已广泛应用于数据探勘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、语音和手写识别、战略游戏与机器人等应用领域。

可程序设计门阵列(FPGA)的解决方案，利用其可程序设计性的优势，已经广为业界所认知，赛灵思(Xilinx)做为FPGA解决方案的主要供货商而言，密切关注机器学习所带领的产业趋势，以及重要的应用范例。赛灵思亚太区工业及医疗市场的高级经理罗霖(Andy Luo)先生接受专访时，针对Xilinx产品进入机器学习的领域，提纲契领直指两个主要的应用领域。

赛灵思亚太区工业及医疗市场的高级经理罗霖(Andy Luo)

首先，在云端机房与数据中心的应用领域，透过跨国性大型搜索引擎与社群媒体巨擘的紧密合作，以大陆市场为例，Xilinx与百度(Baidu)的搜索引擎加速器合作，具有重要的指标性，由于机器学习在高效能运算(HPC)平台上，使用的类神经网络模型与多层次架构(Training Framework)来训练算法，一旦将结果应用于数据中心的加速卡设计时，往往需要进行细部的调整与开发，所以弹性变更逻辑线路的设计要求下，FPGA的可程序化(Programmable)的能力就益行重要。

Xilinx的解决方案之所以迅速攫取多数大厂用户的目光，端赖两项重要的诱因，也就是低功率消耗与高度灵活的硬件平台，提供数据中心专用加速器性能上的优势，并支持数据中心业者，打造更快速的创新应用与技术。

Xilinx推出可重组加速堆栈(Reconfigurable AcceleraTIon Stack)技术，针对机器学习、大数据分析和视频串流直播(Video Streaming)等三大新兴计算密集型应用，借助所提供各种应用链接库、开发工具和参考设计，有效的降低设计工程师开发FPGA通用的程序设计门坎，迅速解决数据中心中工作负载快速增长的挑战，并加速云端服务产品上市进程。

第二个重要的应用领域，就是在边缘运算装置的部署，因为大量的视讯镜头的使用，使得嵌入式视觉(Embedded Vision)技术可以因为采用机器学习的算法，而带来更多智能型的应用。

但是嵌入式系统考虑功率消耗需求，无法企求使用32或64位的高效能处理器，因此开发出一种技术，让多半使用32-bit或16-bit的浮点运算(FloaTIng Point)所设计的算法，可以放在8位整数运算处理器的智能终端装置上，Xilinx的解决方案在这类的应用上，保持算法在嵌入式系统上有效的准确度，所以使用机器学习所训练而获得的算法，当部署到低耗电与低运算密度的系统时，仍能完成人工智能的应用。

智能终端运算应用随着空拍机与自动驾驶汽车的发展，尤其是先进驾驶辅助系统(ADAS)中的自动识别、路线规划，以及无人机上自动避开空中障碍，或是视讯监控与辨识分析等新兴功能，带领令人高度期待的应用，也推增FPGA的市场占有率。

另一个重点就是工业4.0的应用，这利用传感器融合(Sensor Fusion)的装置，将工业场域所收集的控制数据，做线性规划与数据分类，以掌握工业设备目前的状态。选择Xilinx的FPGA组件能在单一芯片上提供广泛的高速界面，能以低成本获得更高效能，并因为各种开发环境整合到同一平台上而节省开发资源，让客户得以专注于开发差异化功能的产品，取得市场先机。

低功率消耗与快速反应速度 FPGA独擅胜场
和GPU为主的解决方案相比，罗霖分析FPGA的主要优势，首推低功耗的设计，通常3瓦的功耗的设计足以支撑整个加速卡的效能，第二个重要的优势，是反应速度快速，以微秒等级的反应速度，特别适合在空拍机或是自驾车应用的领域，因为反应速度决定人身安全的重要诉求。

但是FPGA也有弱点，罗霖持平而论，也就是工程师的开发FPGA的时间较长，因为需要熟悉使用逻辑线路分析、布局布线等EDA工具才能设计FPGA线路，虽然FPGA现在也可以利用OpenC