無處不在的移動設(shè)備和遍在的連接已使世界“沉浸”在無線連接的汪洋大?！獜牟粩嘣鲩L的地面和非地面蜂窩基礎(chǔ)設(shè)施，以及其所需的支持性光纖和無線回傳網(wǎng)絡(luò)，一直到通過最新開發(fā)的協(xié)議和SoC、將數(shù)十億個傳感器的數(shù)據(jù)發(fā)送到云端的大規(guī)模物聯(lián)網(wǎng)生態(tài)系統(tǒng)。

預(yù)計在2025年以前，全球數(shù)據(jù)量（datasphere）每年將達到175ZB。而到2030年以前，相關(guān)連接設(shè)備的數(shù)量預(yù)計將達到500億部（臺）。但是，傳統(tǒng)的分布式感測加云端集中處理數(shù)據(jù)的方案在安全性、功耗管理和延遲（端到端）方面都存在嚴(yán)重制限。 5G標(biāo)準(zhǔn)中的超可靠低延遲通信，要求端對端（E2E）延遲不得高于數(shù)十毫秒。這就導(dǎo)致了將數(shù)據(jù)處理推到邊緣端、避免將計算（和存儲）資源進行匯聚，以減少在上下行鏈路的傳輸中產(chǎn)生的巨大開銷。這么做，也同時提升了網(wǎng)絡(luò)的敏捷性和可擴展性。

機器學(xué)習(xí)（ML）和人工智能深度神經(jīng)網(wǎng)絡(luò)（DNN）的發(fā)展，為推動邊緣端的這一洞察視角帶來了希望。但這些方案具有巨大的計算負(fù)荷，是傳統(tǒng)軟件和嵌入式處理器方法無法滿足的。此外，隨著工藝制程的推進，高昂的超專業(yè)化專用IC（ASIC）的開發(fā)和生產(chǎn)成本，是邊緣設(shè)備無法承受的。而且， ASIC不具可重構(gòu)性（reconfigurability），因而嚴(yán)重限制了任何潛在的系統(tǒng)升級可能。對于新一代邊緣應(yīng)用所需要的邏輯容量來說，傳統(tǒng)的FPGA方案通常都過于昂貴和耗電。

邊緣計算的細(xì)分市場要求設(shè)備具有極低的功耗、緊湊的外形尺寸、面對數(shù)據(jù)變化的敏捷響應(yīng)、以及借助遠程升級能力緊隨AI的演進——所有這些都要以合理的價格實現(xiàn)。實際上，這是FPGA的天然優(yōu)勢，在靈活、硬件可定制的平臺上加速計算密集型任務(wù)方面，F(xiàn)PGA是天生王者。但是，許多現(xiàn)成的FPGA都是面向數(shù)據(jù)中心應(yīng)用的，而在數(shù)據(jù)中心整體功耗與成本核算里，是完全可以承受FPGA的那點“奢華”的。幸運的是，有一款解決方案：借助易靈思的 鈦金系列FPGA系列，其先進的Quantum計算架構(gòu)可直面近端數(shù)據(jù)（near-data）計算的需求，可靈活配置多達一百萬個邏輯單元（LE），并且無論應(yīng)用如何，都可輕松布線，實現(xiàn)超高的資源利用率。

?

本文圖源：易靈思

邊緣數(shù)據(jù)處理的剛需

就連接性而言，過去十年或多或少地致力于以下三件事：將世界用無線連接起來；提高無線連接的強度和完整性；并確保一切可連（從人到物） 的、都以某種方式連接起來。本質(zhì)上講，這是通過——下一代5G部署（強化基礎(chǔ)蜂窩基礎(chǔ)架構(gòu)并開發(fā)更新的技術(shù)以優(yōu)化數(shù)據(jù)吞吐量、容量、覆蓋范圍和延遲要求）以及物聯(lián)網(wǎng)革命（其中物理目標(biāo)配備了感知功能和/或標(biāo)簽）——實現(xiàn)的。這些技術(shù)發(fā)展已經(jīng)產(chǎn)生了深遠的社會影響，無線連接已成為日常生活中不可或缺的一部分。從家用電器到復(fù)雜的工業(yè)機械，使用傳感器和執(zhí)行器進行遠程監(jiān)視、跟蹤甚至控制相關(guān)對象的能力幾乎已成為了基本必須的能力。但是，設(shè)備密度的巨大提升也導(dǎo)致了某些非常明顯的瓶頸。

以云為中心的物聯(lián)網(wǎng)從公共/私有云的物聯(lián)網(wǎng)節(jié)點中提取、累積和處理大量傳感器數(shù)據(jù)，從而導(dǎo)致顯著的延遲?；貍髟L問的各種拓?fù)浣Y(jié)構(gòu)——從邊緣設(shè)備到網(wǎng)關(guān)，再通過光纖或無線連接回到云——引入了三個主要瓶頸，它們是：

• 延遲

• 功耗預(yù)算

• 成本效益

傳統(tǒng)物聯(lián)網(wǎng)通常由嚴(yán)格控制功耗的終端設(shè)備定義，這些終端設(shè)備通過星型或網(wǎng)狀拓?fù)湟缘偷街械鹊耐掏铝肯蚧ヂ?lián)網(wǎng)連接的網(wǎng)關(guān)發(fā)送少量有效載荷。這些多級架構(gòu)無法滿足從公共安全、醫(yī)療到工業(yè)自動化等許多時間敏感型的關(guān)鍵應(yīng)用的低延遲要求。那些為低延遲、中等吞吐量、與時間同步的連接所定義的協(xié)議，例如WirelessHART、ISA 100.11a、IEEE802.11ac和LTE-M，其直接訪問網(wǎng)關(guān)的往返延遲，可嚴(yán)苛到只允許有10毫秒；但是，典型的延遲卻要幾百毫秒。¹這只是在IoT領(lǐng)域內(nèi)——如果我們將重點轉(zhuǎn)移到移動蜂窩網(wǎng)絡(luò)，基于5G的高壓配電網(wǎng)絡(luò)中允許的最小E2E延遲則為5毫秒 ；對于離散自動化應(yīng)用，會長一些、為10毫秒。²但是，碩果累累的先進制造技術(shù)利用了基于以太網(wǎng)的硬連線（如，EtherNet/IP、Profinet IO、Ethercat等）或基于現(xiàn)場總線（如，Profibus、Foundation Fieldbus，CAN等）的技術(shù)，這些時間敏感的組網(wǎng)技術(shù)必須要可靠地實現(xiàn)亞毫秒級的循環(huán)時間、亞微秒級的延遲以及極低的抖動（工廠運行要求）。³這些應(yīng)用從感知到執(zhí)行的閉環(huán)時間要求小于1 微秒，最大傳輸誤碼率率（transaction error rate）小于10^–9，這是傳統(tǒng)無線網(wǎng)絡(luò)難以匹敵的指標(biāo)。

無線連接需要異步或同步通信。為進行可靠的數(shù)據(jù)傳輸，傳輸必須有嚴(yán)格的時序安排。但這會消費不菲的功耗——理想的休眠或低功耗模式可延長電池續(xù)航時間，但設(shè)備無法在這樣的模式下運行。此外，以智能地部署傳感器節(jié)點，再通過網(wǎng)關(guān)和/或多級傳輸將數(shù)據(jù)帶到云端，不僅會降低安全性、而且會增加硬件成本?？煽康臄?shù)據(jù)傳輸是5G后（6G及更高）的移動通信時代的主要目標(biāo)，而數(shù)據(jù)服務(wù)提供商大量收集用戶信息的行為經(jīng)常導(dǎo)致數(shù)據(jù)泄漏事件。⁴通過以去中心化的方式執(zhí)行計算密集型任務(wù)，就可以實現(xiàn)數(shù)據(jù)的完全匿名化和不可追溯性。

邊緣設(shè)備智能化的基本要求

將計算基礎(chǔ)架構(gòu)從數(shù)據(jù)中心擴展到邊緣這一主張，得到了越來越廣泛的共識。諸如聯(lián)邦學(xué)習(xí)之類的概念，通過共享的預(yù)測模型進行協(xié)作學(xué)習(xí)這種方式，將標(biāo)準(zhǔn)集中式機器學(xué)習(xí)（ML）方法從數(shù)據(jù)中心轉(zhuǎn)移到手機——在將數(shù)據(jù)存儲到云的需求中，消解了對可實現(xiàn)ML能力的要求。⁵而各種高級深度神經(jīng)網(wǎng)絡(luò)（DNN），每天都在發(fā)展、以更好地賦能基于邊緣的處理功能。成功地將智能帶到邊緣設(shè)備也帶來了與傳統(tǒng)的AI不同的商機——例如：個性化購物，基于AI的助手；或在制造設(shè)施中進行預(yù)測分析。邊緣/霧計算的應(yīng)用，比如：車輛的自動駕駛；需要復(fù)雜反饋機制的機器人技術(shù)的遠程控制；甚至是使用ML、可更好地管理可再生能源的智能電網(wǎng)終端設(shè)備；以及在電網(wǎng)中對本地電能使用進行預(yù)測分析。對于此類應(yīng)用，成功實施AI的主要決定因素包括：

• 成本效益

• 低功耗

• 可重構(gòu)性/靈活性

• 尺寸

IoT /邊緣節(jié)點上流行AI芯片方案的比較

AI芯片方案市場一直在持續(xù)增長， 2020年的市場規(guī)模為76億美元，到2026年有望增長至578億美元。在各超專業(yè)方案之間，有著不同的6先進AI硬件，例如：

• 高度定制的ASIC和SoC

• 可編程FPGA方案

• 通用GPU和CPU

通用GPU和CPU通常遵循馮·諾依曼（von Neumann）架構(gòu)，其中指令提取不能與數(shù)據(jù)操作同時發(fā)生，這樣，指令只能被順序執(zhí)行。在矢量CPU和多核GPU等多處理器方案中，在某種程度上繞過了這種順序性，但卻需要更多的跨核數(shù)據(jù)共享而增加了延遲。這種由軟件管理的并行機制必須在各處理單元之間最佳地分配工作量，否則可能會導(dǎo)致計算負(fù)載和通信不平衡——這種特性很難支撐自定義數(shù)據(jù)類型和特定的硬件優(yōu)化。就延遲、功耗、并行處理和靈活/可重構(gòu)性的效率而言，F(xiàn)PGA本質(zhì)上優(yōu)于GPU。首先， CPU和GPU必須以特定方式（如，SIMD、SIMT執(zhí)行模型）處理數(shù)據(jù)，但FPGA和ASIC本質(zhì)上直接在硬件中實現(xiàn)軟件算法，邏輯單元可以簡單地完成軟件指令。此外，就完成相同質(zhì)量的工作而言， FPGA功耗更低、可重構(gòu)性更好——與硬件已固化的ASIC、SoC、GPU和CPU相比，人們可以在硬件層級來更改數(shù)據(jù)流的性質(zhì)。

就流行的AI芯片方案而言，ASIC領(lǐng)先，F(xiàn)PGA隨后。但是，就邊緣智能計算的主要關(guān)注點而言，ASIC相形見絀。對于成本而言尤其如此：IoT的部署數(shù)量，可能在數(shù)十個到數(shù)十萬個節(jié)點之間。眾所周知，打造一款A(yù)SIC殊非易事，需要數(shù)年時間，而僅生產(chǎn)制造一項就需要數(shù)千萬美元的巨額資本支出——通常，只有數(shù)百萬至數(shù)十億片的批量，此符合開發(fā)ASIC的成本效益。此外，人工智能的發(fā)展日新月異。僅在幾個月內(nèi)，數(shù)百種現(xiàn)有拓?fù)浼捌涓髯缘纳窠?jīng)網(wǎng)絡(luò)就會有顯著的改良。隨著時間的流逝，會出現(xiàn)具有不同功能和層級的新模型，任何公司都會希望擁抱這些變化。這就吁求一種可快速原型化和部署的低成本、靈活、可重構(gòu)的平臺。

各種流行的AI芯片方案如何滿足智能邊緣應(yīng)用的需求

為什么傳統(tǒng)的FPGA無法將智能傳送到邊緣

在傳統(tǒng)以ASIC和GPU為主的AI芯片方案市場中，F(xiàn)PGA的競爭力與日俱增，這些平臺主要用于ASIC的原型設(shè)計和開發(fā)，或用于公共和私有云中的網(wǎng)頁搜索、圖像分類和翻譯等應(yīng)用。要滿足復(fù)雜AI運算的性能，通常需要價格昂貴、耗電且塊頭大的器件。 FPGA的主要初衷是可編程性，其中硬件結(jié)構(gòu)由可編程邏輯單元（LE）和配有交換開關(guān)模塊的可編程路由電路組成。憑借這種結(jié)構(gòu)，用戶可通過可編程開關(guān)將任何LE連接到任一路由軌線上。如要擴大器件的容量，基本是通過增加LE的數(shù)量并確保路由交換電路與算法有能力支撐這些增長。這一艱苦卓絕且昂貴的過程一邊需要工程師團隊來優(yōu)化FPGA的路由，一邊讓IC設(shè)計師盡量減小尺寸、才得以逐步提升器件容量；于此同時，F(xiàn)PGA被定位為只適合邊緣之外的昂貴、耗電的應(yīng)用。

約10年前易靈思的聯(lián)合創(chuàng)始人張少逸先生和魏啟杰先生就預(yù)測到這種情況，并以打造一種可以發(fā)揮FPGA的真正潛力來滿足新興邊緣市場需求的FPGA技術(shù)——這一愿景創(chuàng)建了易靈思。如今，易靈思鈦金系列器件在市場上獨樹一幟，在滿足邊緣AI的計算需求的同時，提供超小的功耗與尺寸，使其自然適用于哪怕是最苛刻的邊緣應(yīng)用。這在很大程度上要歸功于其創(chuàng)新的Quantum計算架構(gòu)，該架構(gòu)由可重構(gòu)的小塊（tile）或可交換的邏輯和路由（XLR）單元組成，它消解了傳統(tǒng)的路由方法，并允許LE變得更小、使用更靈活。集成了存儲模塊和高速DSP模塊（乘法器模塊）的器件的邏輯容量范圍為3.6萬至1百萬個LE。與傳統(tǒng)FPGA相比，無論最終應(yīng)用為何，Quantum架構(gòu)上的這種根本優(yōu)勢可以顯著提高資源利用率。 易靈思的FPGA技術(shù)迥異于傳統(tǒng)的FPGA，它以小巧的器件封裝實現(xiàn)了高密度、低功耗，同時又保持了FPGA隨附的所有靈活性?？傊?，這些功能使該方案成為真正的顛覆者，在邊緣/霧計算方面處于絕對領(lǐng)先地位。

Quantum內(nèi)核架構(gòu)與傳統(tǒng)的FPGA架構(gòu)[圖片取自白皮書]

仔細(xì)觀察：鈦金系列 FPGA如何滿足邊緣計算的基本要求

成本效益、尺寸和功耗優(yōu)勢

16nm工藝使這款纖巧器件具有小至0.5mm間距、5.5×5.5mm BGA封裝的器件尺寸可容易地集成進邊緣節(jié)點。除尺寸方面的考慮外，與傳統(tǒng)FPGA建構(gòu)的分道揚鑣，也降低了鈦金系列FPGA的價格。反過來，與集中式基于云的處理相比，可享受邊緣計算帶來的額外成本降低的好處，且同時降低了使用FPGA做設(shè)計的門檻。

物聯(lián)網(wǎng)節(jié)點也將不可避免地需要低能耗，并經(jīng)常利用能量收集技術(shù)來最大程度地減少節(jié)點維護。因要盡可能多地完成數(shù)據(jù)處理，所以通常不會在邊緣計算中看到在低功耗無線調(diào)制方案中經(jīng)常用到的理想的休眠模式。但是，設(shè)計者可通過使用并行處理來降低內(nèi)部時鐘頻率，以降低動態(tài)功耗，從而實現(xiàn)更具能效的電源方案。這與僅使用空間并行性的順序處理器所遇到的瓶頸不同，在順序處理器中，投入更多處理器內(nèi)核的典型解決方案只會耗能——內(nèi)存中數(shù)據(jù)的批處理無法為來自I/O通道的動態(tài)傳入數(shù)據(jù)流提供一致的處理性能。FPGA同時提供空間和時間并行性，因此不僅采用數(shù)據(jù)并行，而且還實施任務(wù)和流水線并行。7這就使有效數(shù)據(jù)流有更多變化，從而減少了存儲芯片對功耗的影響（例如，使用LE實現(xiàn)的空間和時間映射，通過重用FPGA內(nèi)存的數(shù)據(jù)來減少片外存儲芯片的訪問）。⁹

架構(gòu)優(yōu)勢：靈活和可重構(gòu)性

邊緣應(yīng)用的最終挑戰(zhàn)是為特定應(yīng)用找到合適的算法，并將其有效地映射到硬件。 通常，網(wǎng)絡(luò)（例如DNN、CNN等）很復(fù)雜，并且計算量、內(nèi)存需求和耗電都非常高，因此它們需要訪問具有優(yōu)化內(nèi)存的專用硬件加速器，才能在一致的數(shù)據(jù)流上執(zhí)行算法 、且同時保持較小的功耗。 通過將工作負(fù)荷映射到鈦金系列 FPGA，用戶可以利用其天生的小尺寸、低成本和高資源利用率的優(yōu)勢將智能傳送到邊緣。對于初涉該領(lǐng)域的新公司或想更新的老機構(gòu)來說，這并不是一個復(fù)雜的過程。 工程師們可以在鈦金器件里使用RISC-V嵌入式處理器運行其算法的內(nèi)核，并在Edge Vision SoC框架中進行快速創(chuàng)新。

Edge Vision SoC設(shè)計流程

鈦金系列中的RISC-V是“軟”核，在需要時才在FPGA里例化，而不是被硬化到硅片中。這使它們保有靈活性，以便可以在應(yīng)用開發(fā)期間根據(jù)需要對其進行定制。在編譯過程中，Efinity軟件動態(tài)決定是將XLR單元用作路由還是邏輯，并且針對每個設(shè)計的特性專門優(yōu)化相關(guān)資源的使用。這樣，工程師可為軟件定義的硬件加速，放入任意所需數(shù)量的內(nèi)核。

這是易靈思 Quantum加速器背后的基本概念：一些預(yù)先定義好了數(shù)據(jù)輸入和輸出的“插件（sockets）”，既可以被直接例化使用，也可以通過軟件編程以標(biāo)準(zhǔn)的方式被調(diào)用。然后，軟件工程師可以輕松地將代碼中的熱點作為他們想要加速的區(qū)域。更具體地說，在每個插件內(nèi)，設(shè)計人員可以創(chuàng)建一小部分硬件以加速；例如，AI算法的卷積就可被放置在加速器框架中。算法的各個部分都可以在需要時移回RISC-V軟件，或者在要求高性能時移入硬件加速器的“插件”。這種流暢的硬件/軟件系統(tǒng)分區(qū)方法既快速又便宜。最終結(jié)果就是，對標(biāo)準(zhǔn)硬件加速器的標(biāo)準(zhǔn)調(diào)用：工程師可以通過調(diào)用那些優(yōu)化了系統(tǒng)性能的小硬件加速器，來輕松編寫和調(diào)試軟件算法。這種方法既將設(shè)計概念保留在軟件中，又可在其中對算法進行快速調(diào)試、調(diào)整和迭代。

鈦金系列FPGA的Quantum架構(gòu)還具有通過將可用作邏輯的隨變單元（XLR）分配給路由來緩解擁堵的天然能力。所有這些因素與鈦金系列 FPGA的成本效益相結(jié)合，可以使工程師快速地在最大的器件中進行原型的設(shè)計和調(diào)試，并在開發(fā)結(jié)束、量產(chǎn)時，切換到仍滿足基本要求的最小器件，從而優(yōu)化性能、功耗、尺寸和成本。

在邊緣計算的早期階段，與其它設(shè)備互連的能力是設(shè)計重用的重要系統(tǒng)級屬性。使用鈦金系列，用戶可以利用FPGA固有的功能，通過豐富的I/O（146至268）連接到幾乎任何設(shè)備。這些I/O引腳可配置為多種標(biāo)準(zhǔn)，來提升橋接的能力——這種靈活性是其它處理引擎或定制、專用標(biāo)準(zhǔn)部件很難實現(xiàn)的。

鈦金系列 FPGA滿足將智能迅速帶到邊緣的所有要求。

利用鈦金系列在邊緣服務(wù)嵌入式AI應(yīng)用

從邊緣處理中受益最大的物聯(lián)網(wǎng)應(yīng)用通常與需要可靠、低延遲通信的應(yīng)用重疊。在保持相對低功耗的同時將復(fù)雜處理帶到邊緣的用例很多，隨著時間的推移及該技術(shù)的成熟，將會涌現(xiàn)更多的應(yīng)用。

機器人技術(shù)

在遠程手術(shù)醫(yī)療應(yīng)用中，外科醫(yī)生/控制器和醫(yī)療設(shè)備之間的時間延遲必須極短。對于此應(yīng)用，絕對需要同時具有云計算和邊緣計算的共享網(wǎng)絡(luò)架構(gòu)，以便將機器人的機器學(xué)習(xí)算法應(yīng)用于所有驅(qū)動工具或外科手術(shù)機器人，以提高人工操縱的末端執(zhí)行器的靈巧性，以實現(xiàn)精確的觸覺反饋。這屬于機器人聯(lián)網(wǎng)的范疇，其中對機器人進行編程的方法包括模仿學(xué)習(xí)或強化學(xué)習(xí)。盡管該復(fù)雜領(lǐng)域的許多部分將在云端執(zhí)行，但由于外科醫(yī)生遙遠的地理位置，因此可將預(yù)先獲取的電子病歷和相關(guān)手術(shù)歷史記錄（例如以前記錄的機器人動作）存儲在本地。這樣，當(dāng)對要執(zhí)行的任務(wù)信心不足時，基于邊緣的AI引擎可以允許機器人查詢其本地模型。模式識別算法還可以在本地處理3D視頻和圖像，并照亮相關(guān)特征（例如異常），還可以使用相關(guān)解剖數(shù)據(jù)對圖像進行注釋，同時最大程度地減少此類操作所消耗的數(shù)據(jù)帶寬。⁹

而工業(yè)應(yīng)用中的機器人通常執(zhí)行重復(fù)性任務(wù)，這些任務(wù)沒多大差異和變化，動作基本千篇一律。但是，可以對這些機器人進行快速培訓(xùn)，使其成功執(zhí)行任務(wù)并在出現(xiàn)細(xì)小偏差時更改動作，以幫助防范產(chǎn)線停機。此外，人機交互可以在不危及人類生命的情況下發(fā)生。結(jié)合了機器視覺和機器人技術(shù)的協(xié)作式機器人（例如用于工廠車間監(jiān)控/維護的自動行走機器人和自動導(dǎo)引車），要求在實時的3D地圖構(gòu)建與機器人運動之間幾乎沒有延遲。這就要使用深度學(xué)習(xí)算法（如同步定位和地圖構(gòu)建SLAM），來防止在動態(tài)環(huán)境中發(fā)生磕碰。這兩種應(yīng)用都既需要高計算能力、又要求低功耗。

鈦金系列FPGA系列具有滿足這些應(yīng)用以及更多應(yīng)用的獨特優(yōu)勢，用戶可以一如既往正常地在處理器上開發(fā)代碼，并通過靈活的XLR硬件加速來穩(wěn)定地消除時序瓶頸，直到實現(xiàn)所需的貼近實時的系統(tǒng)性能為止。無論最終應(yīng)用如何，基于鈦金系列 FPGA的此類迭代改進可以優(yōu)化性能、延遲和功耗等參數(shù)；而對于ASIC、GPU和CPU方案來說，這幾乎是不可能的。

可穿戴設(shè)備

醫(yī)療可穿戴設(shè)備可以傳輸本地收集的患者數(shù)據(jù)的關(guān)鍵信息，該場景下，無需頻繁傳輸。使用該技術(shù)，只能在現(xiàn)場進行快速有效的診斷。毋庸置疑，可穿戴設(shè)備將尺寸和功率限制發(fā)揮到極致。但在這里，鈦金系列 Ti60在3.5×3.4mm WLCSP封裝中以小巧的形態(tài)提供了高性能計算能力的獨特組合：6.2萬多LE；160個DSP模塊；146個I/O。這款鈦金系列 FPGA具有極低的工作和待機功耗，非常適合可穿戴應(yīng)用嚴(yán)苛的尺寸和功耗要求。

機器視覺

用于過程自動化的機器視覺通常依賴于ML，而配備MIPI CSI-2傳感器和強大存儲器帶寬的智能相機可用于執(zhí)行基于視覺、像素或特征的檢查?？赏ㄟ^合適的ML算法（例如決策樹、樸素貝葉斯（Na?ve Bayes））訓(xùn)練分類器進行故障檢測和分類，以確定缺陷（例如劃痕）和粗糙度。通過運行基于經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)的推理引擎，F(xiàn)PGA可提供圖像和音頻處理。在此，鈦金系列FPGA中的大量內(nèi)存允許將大部分活動保留在芯片內(nèi)，從而減少了耗時耗電的片外存儲新品的訪問。這些非常相同的特性可以應(yīng)用于需要AI的視覺應(yīng)用，例如提高視頻會議的質(zhì)量、對視頻門鈴的快速人體檢測/面部識別，甚至自動駕駛應(yīng)用中的行人/障礙物識別。

虛擬現(xiàn)實

從郵件/包裹遞送到上述遠程手術(shù)和工業(yè)機器人用例，可以在大量潛在應(yīng)用中看到自動和遠程控制的無人機和機器人。這些應(yīng)用需要快速響應(yīng)以識別并規(guī)避各種障礙。這些應(yīng)用的其它重要考慮因素是知識共享、沉浸式培訓(xùn)以及通過AR/VR設(shè)備進行的遠程控制/輔助。通常，AR/VR設(shè)備需要極低的功耗、大量的視頻聚合以及計算能力。大多數(shù)鈦金系列FPGA中的2.5Gb MIPI硬核IP有助于降低功耗，而嵌入式內(nèi)存和DSP模塊則可以為AR/VR系統(tǒng)累計并處理大量數(shù)據(jù)。

可最終服務(wù)于主流應(yīng)用的FPGA

鈦金系列FPGA系列在FPGA固有的靈活性、處理能力和性能優(yōu)勢的基礎(chǔ)上，終于為各公司在功耗、尺寸和成本極為受限的邊緣端，開辟了一條新道路。邊緣給硬件加速帶來了終極挑戰(zhàn)，其中計算密集型算法必須在極低功耗的約束下實現(xiàn)最佳性能，同時還要滿足面對不斷變化的數(shù)據(jù)集和不斷發(fā)展的AI能力以延長設(shè)備使用壽命的敏捷性需求。 易靈思并沒有盲目跟風(fēng)其它FPGA公司進軍數(shù)據(jù)中心的步伐；雖然在數(shù)據(jù)中心整體功耗與成本核算里，是完全可以承受“奢華”的FPGA的。；而易靈思卻通過鈦金系列滿足了所有邊緣計算的要求。

了解有關(guān)易靈思及其鈦金系列 FPGA產(chǎn)品組合的更多信息。 <elitestek.com>

參考

1.?https://www.emerson.com/documents/automation/white-paper-control-wirelesshart-by-hcf-zh-42584.pdf

2.?https://www.5gamericas.org/wp-content/uploads/2019/07/5G_Americas_URLLLC_White_Paper_Final__updateJW.pdf

3.?https://hub.iiconsortium.org/tsn-converged-traffic-types

4.Dang，S.，Amin，O.，Shihada，B等。 《6G應(yīng)該是咋樣的？》Nat Electron 3，20-29（2020）。?https://doi.org/10.1038/s41928-019-0355-6

5.?https://ai.googleblog.com/2017/04/federated-learning-collaborative.html

6.?https://www.marketsandmarkets.com/Market-Reports/artificial-intelligence-chipset-market-237558655.html

7. Biookaghazadeh, S.； Zhao, M.； Fengbo, R?！禙PGA是否適用邊緣計算？》

8. Capra, M.； Bussolino, B.； Marchisio, A.； Shafique, M.； Masera, G.； Martina, M.。《用于加速深度卷積神經(jīng)網(wǎng)絡(luò)的高效硬件架構(gòu)的最新調(diào)查》。Future Internet? 2020，12，113.?https://doi.org/10.3390/fi12070113

9. A. Chowriappa，R. Wirz，A.R. Ashammagari.等。《來自專家演示的預(yù)測，用于安全遠程手術(shù)》Int. J. Autom. Comput. 10, 487–497 (2013)???https://doi.org/10.1007/s11633-013-0746-5