Achronix公司Bob Siller：AI异构计算驱动 2020年FPGA大有可为
Achronix预计，计算机视觉和数据中心市场将在2020年实现高速增长。计算机视觉涵盖了许多不同的细分市场，包括自动化、安防监控、零售、医疗保健和工业等。这些应用正在驱动增长，因为与已使用的传统方法相比，人工智能（AI）在安全性、生产力和效率方面实现了直接改善。
例如，在医疗保健领域，AI算法从CT扫描中检测问题的速度比医生检查图像的速度快150倍。在这个特定的例子中，时间对于异常检测是很关键的，即使一分钟的延迟也可能导致患者遭受进一步的伤害。
另一类主流的计算机视觉应用在自动驾驶行业中，许多公司多年来一直致力于开发5级自动驾驶汽车。由于每年有超过7,000万辆新车被售出，所以这个市场吸引了大量的AI公司。除了客运车辆，商业运输也从这项技术中受益匪浅，因为它提高了安全性和燃油效率，从而使运营时间得以延长。
除了计算机视觉，我们预计运行于数据中心的人工智能算法也会迎来高速增长。预计到2025年，数据量将达到175泽字节（ZB），因此现在面临的挑战是设法从生成的海量非结构化和结构化数据中获得有意义的见解。这促使许多全新的、基于硬件和软件的解决方案被开发出来，以最低的成本、功耗和最省时的方式去处理数据。应对这一挑战的方法与过去相比有很大不同，过去只要提供功能更强大的CPU就可以满足要求。如今，我们则看到专为特定工作负载加速而定制的异构计算系统正在兴起。然而，拥有多个不同的硬件平台是有局限性的，因此我们看到了创建硬件可重复编程架构的趋势，这类架构专门针对需要加速的特定工作负载进行了优化。在这一趋势的最前沿，Achronix提供了一种全新的、灵活的、基于其Speedster7t FPGA芯片的解决方案，旨在满足对最高带宽的需求和计算应用的要求。
2019年，Achronix推出了基于7纳米工艺节点的Speedster7t FPGA系列器件和具有Speedster7t FPGA功能的VectorPath加速卡。Speedster7t FPGA从一开始设计时就重点关注架构创新的三个关键方面。
1)构建最高效的计算模块（针对通用计算逻辑和机器学习进行优化，以实现最高效的推理性能）
2)构建正确的存储层次和存储带宽
3)通过在传统的FPGA布线上叠加真正的二维片上网络（2D NoC），来构建最高效的数据传输。
通过创建创新的、可支持超过20Tbps内部数据带宽的片上网络（NoC），实现可支持超过4Tbps存储带宽的GDDR6存储器接口，引入全新的、可支持超过80 TOps运算能力的机器学习处理器（MLP），我们实现了Speedster7t FPGA与其他7纳米FPGA竞品的差异化。这种全新的FPGA架构可以为人工智能/机器学习（AI / ML）应用提供每秒处理超过8,600张图像的性能（基于ResNet50网络的基准测试）。这些指标清楚地表明，我们在架构上的投资已见成效，而且我们能够获得优异的性能去支持我们的关键目标应用。
此外，我们还与Molex旗下的BittWare公司合作推出了VectorPath PCIe加速卡。该加速卡具有400G和200G以太网接口、8个GDDR6存储器通道和可作为额外连接选项的OCuLink扩展端口。该平台符合PCIe接口的尺寸，专为原型设计和大批量生产应用而设计。
我们相信这两款突破性的创新产品将推动Achronix在未来超过5年的时间内实现显著增长。Speedster7t FPGA不同于当前的其他FPGA，并且面对当前市场上已有的FPGA解决方案展现出了强悍的竞争力。Achronix已经看到了全球客户对Speedster7t所产生的浓厚兴趣，这将推动我们在2020年及以后实现增长。
2020年，Achronix将继续关注数据中心、边缘和接近边缘的AI推理等细分市场。根据ABI的研究数据，从2018年到2023年，AI边缘推理的市场机会正以每年65％的速度增长。这意味着到2023年将有230亿美元的市场机会。这已致使许多大大小小的公司去投资新产品来为这个市场提供服务，Achronix则设计了FPGA和嵌入式FPGA（eFPGA）半导体知识产权（IP）产品，以为边缘推理应用提供理想的选择。
边缘推理应用需要最高的性能功耗比、更小的训练样本数（batch size）和可编程的工作负载优化处理阵列。其目标是在不需要将数据传输到中央处理器的情况下提供推理性能。通过在本地处理数据，你可以消除成本和延迟，并提高推理的准确性。例如，如果你需要将数据从一辆车发送到数据中心进行处理，那么就不可能对潜在的事故做出及时的反应。CPU和GPU不是很适合这些应用，因为它们在性能上会受到限制并且功耗会很高。因此，对于可以克服CPU和GPU瓶颈的替代架构的需求在市场上正日益受到关注，我们认为FPGA是满足这些需求的理想解决方案。