未來性能增長需依賴架構上改變因此需要用FPGA進行人工智能硬件加速

摩爾定律從2003年開始放緩。為了延續性能倍增、功耗減半，Intel CPU采用多核來實現。然而，到2015年以后，多核也達不到了。內核數每增加一倍，運算性能并不能成倍增長。因此，業界需要尋找新的方法來實現延續，比如針對應用進行硬件加速。

人工智能的硬件加速，如果想要做得好的話，需要具備三個條件：運算能力很強，數據傳輸高效，存儲器帶寬高。業界衡量性能的指標包括性能功耗比和性能價格比。

Achronix Semiconductor 公司市場營銷副總裁Steve Mensor

硬件加速應用六大應用場景

日前，Achronix Semiconductor公司市場營銷副總裁Steve Mensor告訴記者，硬件加速應用有幾大類應用場景：

1.云的加速。涉及壓縮解壓縮、區塊鏈和安全等，需要很高的運算能力和功耗成本比。

2.邊緣計算。很多應用由于需要低延遲，不允許將數據傳到數據中心處理，而需要在邊緣處理，并且需要低功耗。

3.存儲。有些應用需要高效率，因而要求在存儲器里進行數據處理。

4.5G基礎設施。5G網絡中的BBU（基帶處理單元）和RRU（射頻拉遠單元），其協議處理有很大不確定性，需要用FPGA來編程。

5.傳統的網絡加速需要用FPGA，而現在網絡中出現了新的智能網卡，要求在發給服務器之前進行加解密、壓縮解壓縮等各種處理。

6.自動駕駛。涉及人工智能、數據運算和傳感器融合等，需要具有可編程性。

人工智能/機器學習應用為何要用FPGA？

FPGA在人工智能/機器學習（AI/ML）上扮演重要角色。AI涵蓋各種應用和層面，工業、教育、政府、農業等各行各業都可以運用。個人電腦在1980年到2000年增長很快。從2000年開始（包括智能手機的出現），無線互聯網增長更快。而在未來，據估計，隨著5G的到來，AI的增長又將會更快。據估計，在半導體業務方面，到2024年，AI將占有約500億美元市場。

Mensor介紹，硬件加速從實現上看可以有幾種不同選擇：CPU、GPU、FPGA和ASIC。CPU最有靈活性，能夠覆蓋各種不同應用，但它的能力（效率）最弱。ASIC的成本、性能和功耗最好，但它不能改變。目前AI算法層出不窮，ASIC不能滿足各種要求。

若要同時具有可編程性和效率，則可以采用GPU和FPGA。在功耗和效率上，FPGA比GPU更強。尤其是在AI推理上，對于低精度場景，FPGA的性能功耗比比GPU大16倍。“GPU更適合用在服務器側，而FPGA則更適合用在邊緣側。”Mensor補充說。FPGA適合做推理，GPU適合做訓練。

7nm eFPGA性能增強

日前，Acronix推出新的7nm架構IP——Speedcore 7t，在功耗、性能和裸片尺寸（PPA）上均有改進。

從工藝上看，7nm比16nm快60%。同時，它針對AI/ML做了新的架構改進（第四代架構），對于AI/ML應用，性能比16nm增長3倍。此外，相比16nm，其功耗降低50%，裸片面積減少2/3。

7nm相對16nm在架構上做了很大改變，例如算邏單元（ALU）增加一倍，布線布局做了改善，并且針對AI/ML運算增加了新的模塊（詳見下圖）。ALU和MAX（）針對AI/ML更有效率，其他四個則適用于所有應用，他補充說。