AI 时代引领创新的正确“姿势”

FPGA开发圈 2021-11-24 12:10

破解工业通信时延困局 工程师必看：B2900隐藏的15个超频测试模式

数据爆发性增长：

这意味着更多的存储器和更多的计算需要更接近数据，以实现更高的吞吐量和实时计算。

AI 时代到来：

正如 Mark Andreessen 在10 年前所预测的，从现在主导世界的公司来看，软件确实吞噬了世界。但如今，深度学习正在吞噬软件。因此，为提供适当级别的性能、时延和功率，器件需要包括异构计算引擎。

摩尔定律已经放缓：

单靠芯片技术改进已无法满足日益增长的计算需求。

在过去的几十年中，这已经引起了几波新计算架构浪潮：

第一波浪潮是 CPU 受益于芯片技术性能扩展的时代。这种简单的性能扩展随着 20 年前登纳德缩放比例定律（ Dennard Scaling ）的结束和摩尔定律的式微而结束。架构师必须更加努力地研究架构，从而实现性能提升。CPU 随后演进发展为多核架构，有效地将性能提升问题转移给软件开发者。

然而，这只是短暂的，因为阿姆达尔定律（ Amdahl’s Law ）严重限制了多线程软件的加速和效率。随后，业界开始使用应用专用加速器进行异构计算。但是像 GPU 这样的加速器有一些缺点。首先，它们的应用范围非常有限。其次，创新的速度最终还是超越了芯片设计周期，这意味着固定的硬件架构无法跟上最先进的算法。

赛灵思构建了自适应 SoC，使用户可以借助灵活的、能自适应任何计算架构的硬件来构建芯片。这将成为下一波计算浪潮。在自适应 SoC 的帮助下，用户可以针对最新技术（即使最新技术每隔几个月就会发生变化）构建特定领域架构（ DSA ）。依托深度学习，最新技术每两到三个月就会发生变化，而新的芯片从概念到专业生产则需要一到两年的时间。

举例来说，如果您在技术最先进的时候优化 ASIC 或 GPU 架构以实现 Resonant 50，那么，到芯片准备生产时，最新技术就已经迭代过五、六次了，这意味着您全新的 ASIC 或 GPU 从一开始就基本上无法达到最先进的水平。自适应硬件的强大之处在于，您可以在没有新芯片的情况下跟上创新的速度。