最近想必很多人工智能（AI）界小伙伴的朋友圈，都會被一則新聞刷屏：國內AI初創公司深鑒科技被全球排名第一的FPGA公司賽靈思（Xilinx）收購，盡管各方都沒有披露收購的財務細節，不過據稱先前深鑒科技的估值就已經達到了10億美元。

為什么這家成立剛剛兩年的公司，就可以成為令人羨慕的AI獨角獸？其中有很多原因，不過從技術的角度來說，很大程度上這是因為他們在創業之初做對了一件事——選擇FPGA作為AI夢想的支點。

支持算法迭代
大家都知道AI的ABC三要素——算法（A）、大數據（B）和算力（C）。為讓人工智能算法基于大數據釋放出最大的能量，就必須有強大的硬件計算平臺做支撐。目前我們可用的硬件平臺架構主要是CPU、GPU、FPGA和ASIC這幾種。

如果單從計算性能和效率、功率和面積來看，專用的ASIC肯定是最佳選擇。不過處于發展初期的AI，其算法總是在快速迭代和變化之中，在無法形成大規模穩定應用之前，將算法固化在ASIC中，而沒有任何靈活性，將意味著巨大的成本和風險。

而CPU則是另一個極端——它有極強的通用性和靈活性，可編程，可以跑各種算法，但是計算的效率太低，無法滿足AI大量并行計算的需要。GPU無疑是近年來AI界的明星，其憑借出眾的并行處理能力，已經成為很多云端AI數據中心的計算核心，但從本質上來講GPU硬件結構還是固定的，不具備可編程性，面對AI算法的迭代變化，還是會力不從心。

而FPGA由于是一種硬件可編程的處理架構，可以隨時調整硬件架構以適應算法的變化，因此可以很好地去應對AI算法多樣性和快速迭代的挑戰。而且目前Xilinx等FPGA廠商還推出了ARM+FPGA的異構開發平臺——如Zynq FPGA SoC——將嵌入式處理器和可編程邏輯整合在一起，開發者可以根據需要在兩個系統間分配計算任務，探索出最優的解決方案，為AI提供一個兼具高性能和靈活性的計算平臺。

卡位推理應用
而且隨著人們對AI應用場景的深入了解，FPGA的另一個優勢也逐漸顯露出來。AI的應用場景可以分為訓練(training)和推理(inference)兩個環節。訓練是指利用海量數據，選擇合適的訓練方法，訓練出一個人工智能模型，這需要龐大的計算集群，所以大多是在云端完成的。

推理是指利用訓練出來的模型來在線響應用戶的需求，做出決策判斷，這個過程既可以在云端完成，也可能是在網絡邊緣端用戶側的智能設備中完成。GPU的特性決定了其更適合去做大規模的并行計算，在云端以最快速度處理海量數據訓練、驗證模型的有效性。

但對于推理這種通常一次只對一個輸入項進行處理的應用，GPU并行計算的優勢發揮不出來，因此并不適合。而FPGA的架構則更適合于推理環節的計算任務，而且對于那些位于網絡邊緣、性能受限、功耗苛刻、要求實時性的AI應用，FPGA更是能體現出它的優勢。

實際上推理環節是AI的應用落地的關鍵，這就意味著不論云端還是邊緣設備中，都要部署相應的推理計算資源，因此FPGA未來在AI中的市場潛力是非常巨大的。

圖1，深鑒科技基于FPGA平臺的DPU與GPU方案的性能對比（資料來源：36Kr）

快速響應市場
FPGA能給AI玩家帶來的再一個好處就是，可以讓他們在短時間內去驗證和優化自己的算法，根據市場需要快速開發出應用方案，而同時避免投資專用ASIC芯片而帶來的巨大成本壓力。這方面，深鑒科技就是一個很好的例子。

深鑒科技的CEO姚頌在接受媒體采訪時曾經坦承，選擇FPGA架構作為AI的切入點是他們產品規劃的一個重要組成部分——用FPGA實現，而不是直接做ASIC，可以很快做出產品，拿到客戶的測試反饋后，基于FPGA的可編程特性馬上進行修改、燒寫，再次更新給客戶，用這樣的方法他們才得以快速響應客戶需求，搶占市場先機。

有人把深鑒科技的做法形容為利用具備可重構特性的FPGA芯片來實現半定制的人工智能芯片，他們設計開發的“深度學習處理單元”（Deep Processing Unit，DPU）芯片就是基于FPGA平臺，希望以ASIC 級別的功耗來達到優于GPU 的性能。這種半定制芯片抽象出了指令集與編譯器，可以快速開發、快速迭代，與專用的FPGA加速器產品相比，具有非常明顯的優勢。

總之，以FPGA為技術支點，AI的開發者可以快速完成了軟件算法開發、硬件平臺搭建、產品方案開發等一系列工作，實現全面開掛……已經有成功的案例在前，你想成為AI獨角獸，是不是也該和FPGA交個朋友？