FPGA是如何应对新冠疫情的？

很多业务覆盖较广的上游企业，近半年的财报实则是最能反映电子科技行业内，哪些部分受到了新冠疫情的负面影响——典型如汽车、交通领域承受冲击较大，又有哪些则在业务上受到正面影响——典型如客观上推动企业数字化进程加速。此前在瑞萨的企业分析文章里，我就提到过这一点。

不仅是瑞萨，半导体行业的此类企业实则还不少，比如说赛灵思。赛灵思FY2021前两个季度的营收，整体上还是受到了新冠疫情的不良影响的。不过也因为赛灵思涉足业务较广，新冠疫情对赛灵思的影响也比较复杂。

上面这张图是赛灵思2020年截至9月份，前两个季度不同业务的营收占比变化情况。从整体来看，赛灵思FY2021Q2季度总的营收（net revenue）为7.7亿美元，相比去年同期的8.3亿还是略有下滑的。但这个营收成绩已经超过了赛灵思此前的预期中值，毕竟国际贸易环境以及国际形势都有负面影响。

从不同的业务来看，Automotive, Broadcast and Consumer以及Wired and Wireless都在下滑。这是符合如今的大趋势的，尤其汽车和通讯：出行相关的市场在疫情期间本来就在遭受毁灭性打击；通讯相关（尤其Wireless）的部分，从赛灵思的角度来看，是因为5G发展速度的放缓。

但另一方面，Data Center（数据中心）和AIT（Aerospace and Defense; Industrial, Scientific and Medical; Test, Measurement and Emulation）则又有相当显著的营收增长。其中数据中心业务的增长是最好理解的，毕竟全球带宽需求的增长在疫情期间是很显著的趋势；而且数据中心本身就正在成为赛灵思的业务重心。

赛灵思医疗科学全球业务市场负责人Subh Bhattacharya

至于赛灵思的AIT业务，相关的构成十分多样，所以无法一概而论，赛灵思也并未将这些业务的营收单独列出。不过基本可以肯定的是，其中的医疗业务必然是有提升的，毕竟它与当前形势息息相关。而且在前不久的赛灵思医疗市场及应用采访中，赛灵思医疗科学全球业务市场负责人Subh Bhattacharya也提到，“确实医疗现在在我们的营收中占了比较重要的比重，而且一直是以两位数的速度在增长。”

“我们也加大了这个领域的投资力度，加上新冠疫情对市场的影响，以及人工智能的发展，我们在这方面处在相当的优势地位。”Bhattacharya表示，“我们有信心从GPU，以及传统竞争对手的ASSP那里获得更多市场份额，所以总体来说相信我们产品的增长势头会非常强劲，在接下来5-10年都大有可为。”

那么我们也不妨借此机会来看一看，赛灵思在医疗领域的投入方向，以及从赛灵思的角度来理解电子科技对于控制新冠疫情，究竟是如何起到帮助作用的。

影响医疗行业发展的趋势

“和其他行业一样，医疗行业也受到了一些宏观大趋势的影响。” Bhattacharya分享了赛灵思观察到的医疗与电子产业交汇发展时的几个重要趋势。

“首先是互联系统与移动医疗。随着数据和系统的爆发性增长，这个趋势正变得越来越明确。”这实际上是促成电子产业在医疗领域大展身手，以及赛灵思医疗业务发展的一大原因。但另一方面，Bhattacharya特别提到，这一趋势带来了网络攻击相关的安全隐患。

另一个正广泛应用于医疗的趋势产物则是“适用于诊断的机器学习推断”。“人工智能和机器学习成为更加成熟的技术，可适用于诊断和医疗的方方面面。”包括疾病的早期发现、病原学领域的应用等。但这个趋势，同时也带来患者数据隐私方面的问题——毕竟机器学习对优质数据集有需求，数据隐私问题自然就显现了。

福布斯杂志此前的一份报道提到，目前全球安装的医疗物联网设备超过1亿台，到2020年将增长至1.61亿台。而在此背后的，是“医界高管认为59%隐私问题，55%老旧系统集成，54%安全问题，是阻碍当今医疗机构采用物联网的三大障碍”。而且随着攻防双方的不断竞赛和升级、新的安全标准的出现，性能需求也在提升。所以事实上，安全、隐私方面的更高要求，也成为医疗行业的发展趋势。

除了这些大方向的趋势，新冠病毒的肆虐实际上也加速了这一领域的某些技术趋势。

“第一大趋势是远程医疗和远程健康 。”

“第二是远程病患的监护。”包括医师的远程诊断，或者患者在远程位置接受诊断和治疗。

“第三是定点照护。不是患者来找你，而是你找到患者。”

“第四，则是医疗中的AI应用。”

这几个由新冠疫情加速的趋势，实则最终仍然可以归纳总结至前文提到的几个趋势和需求。

赛灵思应对这些趋势做了什么？

依据这些趋势，电子科技行业具体做了些什么，或者说因为这些需求的产生，电子科技行业的参与者是如何满足这样的需求的？Bhattacharya为我们举了几个例子。

其中最具代表性的，应该是赛灵思联手Spline.AI，以及AWS（亚马逊云），开发X射线分型深度学习模型和参考设计。这套方案中的AI模型使用Amazon SageMaker进行训练，使用AWS IoT Greengrass从云端部署到边缘，支持远程机器学习模型更新、地域分布式推断，能够跨远程网络和广阔地域做扩展。

这套方案本质上是个“自适应开源解决法案”，开源模型在赛灵思Zynq UltraScale+ MPSoC器件上的Python编程平台运行。研究人员可对其进行调整，用于不同的应用或者特定的需求。采用这样的开源设计，医疗终端设备、临床设备制造商和医疗服务提供商能够快速地为移动设备、便携式设备或护理点边缘设备中的临床应用和放射医学应用，开发和部署模型，并可向云端扩展。

这里的赛灵思Zynq UltraScale+ Healthcare AI Starter Kit包含了ZCU104 FPGA板子，并采用DPU——赛灵思的深度学习处理单元，软IP张量加速器，可用于在边缘做各种神经网络的推断工作。当然AWS IoT Greengrass能够实现进一步的扩展和部署。

但就边缘端的推断，赛灵思的MPSoC还是具备了相当的算力完成分型病理诊断，不需要向云端传输数据；而AWS IoT Greengrass则藉由云端做能力加强。值得一提的是，其中的模型可以重复训练，开发者可以不断改进应用（或者扩展到其他放射和临床用例中），随新数据的累计，可提升精度、进一步降低时延。

这套解决方案已经应用到了肺炎和COVID-19检测系统。开发团队用了超过30000张带有标记的肺炎图像，以及500张COVID-19图像对模型做训练，如上图所示——也就是X射线图像数据集，最终起到预测COVID-19和肺炎，以及开发定制模型供临床使用的作用。研究数据则已经提供给了医疗机构和研究机构。

这一例比较到位地表征了将AI应用于医疗，或者“适用于诊断的机器学习推断”。另一方面数据位于边缘，实际上也能够体现隐私安全方面的考量。

与此同时，如前文所述随网络安全攻防双方的竞赛升级，可编程硬件平台更进一步地适应新的安全防护：Bhattacharya还特别提到了医疗设备嵌入式系统的风险管理（主要包括确保功能安全与网络安全的结构设计），以及医疗网络安全平台，可确保系统的可靠性，尤其是重症监护、手术这样对安全性非常敏感的系统。

上面这张图是赛灵思打造的一个安全特性可视化的演示平台，涵盖从边缘到云的一系列安全功能。是Zynq UltraScale+ MPSoC放到医疗的具体场景下，模拟患者监护仪，包括心率感应。演示内容包括了认证与加密启动、安全启动、测量启动、安全应用通信、基于云的监测等。

至于前文提到趋势之一的远程医疗，这原本就是赛灵思的强项，包括通信技术相关构成。这一例中AWS IoT Greengrass参与本身也是远程医疗的表现，主要是医疗成像的图像上载，从移动设备向云端传输图像进行远程诊疗。

医疗领域的更多合作

除了这个比较具有代表性的例子之外，再看看赛灵思在医疗领域的其他一些合作案例。和AI相关的，国内的联影医疗用赛灵思的Alveo U200加速卡取代传统GPU加速推断工作。主要是因为相比传统高GPU，这种PCIe加速卡的技术成本更低，功耗也更低。

如果再收窄到抗击新冠病毒的问题上，赛灵思今年还与飞利浦合作，快速生产并交付患者监护仪所需的FPGA，为飞利浦提供支持；还有与人和未来（Genetalks）——这是个生物技术公司，其研究人员与湘雅医学院一起用赛灵思SoC来加速基因组数据分析，加速药物筛选和治疗方面的研究。

在医疗成像领域的一个例子：医疗超声——诊断医疗超声波扫描，是一种为患者体内构造的成像方法。这类诊断成像方法，相比X光和CT扫描有不少优势，但现有架构在可扩展能力方面是存在局限性的。赛灵思因此与合作伙伴研究了广泛应用于雷达技术的合成孔径（SA）成像和平面波（PW）成像方法。相比传统顺序采集超声图像一次一行成像的技术相比，这两种方法是高度并行化的成像，一次发射就能重建完整图像，能够提高聚集度和穿透力，为高速心脏成像等应用提供了不错的解决方案。

但也因此，这类方法对处理器要求提高数百倍。赛灵思最新的Versal ACAP外加Alveo加速卡，部署在工作站或服务器上，成为上述两种成像方法后端的理想选择。此前我们曾撰文专门介绍过ACAP，ACAP内部的AI引擎内置了标量单元、矢量单元、负载单元和存储器接口，能够实现合成孔径成像与平面波成像方法中，数据流算法所需的所有不同结构。

前面介绍的这些例子，在我们这些普通人看来，应当都属于比较窄或者Niche的市场了——开发者依然能够利用相对先进的芯片产品来提供算力和算法支持，本身也体现了赛灵思近两代产品，包括Zynq UltraScale+ MPSoC以及ACAP在延续“自适应”构思上的成功：即用相对更低的成本，实现更短的时延、更低的功耗、更高的效率，自适应地满足医疗健康领域的临床需求。这一点，我在此前《摩尔定律失效，FPGA迎来黄金时代？》一文中曾经详细阐述过。

另外，Bhattacharya还补充说，“我们对于产品有更长的生命周期支持，可以做到7-10年，甚至15-20年，有的更长能够达到25年。而且我们的可靠性更高，在表现上也优于CPU和GPU。”

事实上，“赛灵思在多种医疗应用领域都贡献了价值。我们在大型扫描仪，比如CT，MRI、PET成像方面一直都很有优势，还有各种超声波；现在我们还有个迅速发展的领域就是内窥镜，包括诊疗用的内窥镜和手术用的内窥镜。” Bhattacharya 说，“再比如外科机器人，包括视觉和机器人方面；还有智能病床；除颤器、病人监护仪——这方面，我们都显现出比传统的CPU和GPU，无论启动时间还是功耗、时延、性能，都拥有极大优势。”

“奥林巴斯是全球最大的内窥镜制造商，市场份额占到70%以上。奥林巴斯就表示，与CPU、GPU相比，赛灵思展现出巨大的优势。” Bhattacharya举例道。

灵活应变的医疗资产

在本次活动上，Bhattacharya还列举了更多在医疗领域的合作案例，比如说Edico Genome对重症新生儿做基因组分析，赛灵思解决方案可将分析时间从一天缩短到20分钟；EyeTech用赛灵思的方案，为身体无法移动的重症患者制造医用通信的平台，通过对患者眼球的追踪与医师护士做沟通；与国内最大医疗器械公司之一的迈瑞合作，为其提供设计需要的产品等。

赛灵思在医疗市场上体现出来的优势，与其原本FPGA的自适应硬件特性，以及后续赛灵思推出的MPSoC、ACAP及其板子，为FPGA搭配更多固化单元，在保持灵活性（与相比专用硬件的成本优势）的基础上，以提升效率的这种思路，应该是最为息息相关的。毕竟医疗市场的很多具体产品要求极高的灵活性，而且Niche市场的容量本身也没有那么大。赛灵思现如今的产品也因此在医疗市场具备了天然的适用性。

相对具体地说，MPSoC很适用于医疗临床领域，如智能病床、除颤器、监护仪、内窥镜等；Versal ACAP则集成了更多资源，除了DSP之外还包括专门的AI引擎，很适用于医疗成像；Alveo加速卡实现应用加速 ，做医疗分析就相当有优势了。

而且实际上，医疗设备也有一些特殊需求，比如说越来越要求封装尺寸的缩减，而性能又无法妥协；某些场景比如无风扇监护仪，因为风扇叶片转动会产生空穴效应，导致灰尘与病原体积聚，这就要求内部的低发热或高温下的持续工作能力，这对器件本身也都是有特定要求的。这些也都恰好契合了赛灵思现如今的产品形态。

Bhattacharya总结赛灵思在构建“智能且灵活应变的医疗资产”时的一些特点，实际上也是本文表达的几个重要观点：

• 与CPU和GPU相比，可缩短启动时间、降低功耗、降低时延；
• 提供高效的AI推断平台，协助进行关键诊断；
• 利用边缘技术，最大化隐私安全和最小化数据传输负载。

最后值得一提的是，Bhattacharya还在沟通中提到：“从2011年开始，赛灵思推出全球首款集成Arm内核的Zynq SoC，当时称为可扩展的处理器平台，赛灵思将市场扩展到更大的嵌入式应用蓝海。”

“之前的FPGA大家也知道，传统意义上被用作辅助芯片，比如接口可以定制I/O，加上存储通信等。但自从我们引入更多功能的SoC平台之后，除了FPGA之外，我们还可以跟比如Arm处理器、数据安全处理器、功能安全处理器做集成，形成更为强大的Zynq UltraScale+这样的技术平台。在转型后，我们从此前5%-6%的年增长，到如今14%-15%的增长。”这实则也表明了赛灵思此前转型的成功。而医疗领域的收获，正是转型成功的体现之一。

责编：Luffy Liu