隨著新一年的到來，科技界有一個話題似乎難以避開：人工智能。事實上，各家公司對于人工智能談?wù)摰萌绱酥啵瑹岫戎辉霾粶p。

在半導(dǎo)體領(lǐng)域，大部分對于AI的關(guān)注都集中在GPU或?qū)Ｓ肁I加速器芯片（如NPU和TPU）上。但事實證明，有相當(dāng)多的組件可以直接影響甚至運(yùn)行AI工作負(fù)載。FPGA就是其中之一。

對于那些了解FPGA靈活性和可編程性的人來說，這并不令人驚訝，但對許多其他人來說，這兩者之間的聯(lián)系可能并不明顯。問題的關(guān)鍵在于通過軟件讓一些經(jīng)典的AI開發(fā)工具（如卷積神經(jīng)網(wǎng)絡(luò)（CNN））針對FPGA支持的可定制電路設(shè)計進(jìn)行優(yōu)化。

FPGA還可以創(chuàng)建多個并行計算流水線（在概念上類似于GPU提供的功能），這對于作為眾多AI算法核心的矩陣乘法計算類型來說非常有用。此外，F(xiàn)PGA架構(gòu)設(shè)計的靈活性可用于在芯片上分配存儲塊，從而優(yōu)化數(shù)據(jù)傳輸——這是對AI軟件的另一個關(guān)鍵需求。

多年來，萊迪思半導(dǎo)體一直致力于開發(fā)能夠?qū)崿F(xiàn)這些類型功能的軟件工具，并擁有一整套產(chǎn)品。從將現(xiàn)有或新構(gòu)建的AI模型調(diào)整為在其低功耗設(shè)計上最高效運(yùn)行的格式，到創(chuàng)建對這些模型最有效的電路和芯片設(shè)計，這些應(yīng)用幾乎可以勝任任何工作。這種完整的閉環(huán)系統(tǒng)將極大幫助企業(yè)將人工智能功能集成到其設(shè)備和其他硬件中。

在AI模型方面，萊迪思的sensAI解決方案可以使用在TensorFlow、Caffe和Keras等行業(yè)標(biāo)準(zhǔn)AI框架中訓(xùn)練過的模型，并利用模型量化、剪枝和稀疏性利用等技術(shù)，使其在FPGA資源上運(yùn)行。然后，萊迪思神經(jīng)網(wǎng)絡(luò)編譯器可以分析模型，并根據(jù)電路和片上網(wǎng)絡(luò)的類型提出建議，以最有效地運(yùn)行。在軟件方面，萊迪思的Propel和Radiant芯片設(shè)計軟件可用于創(chuàng)建合適的電路組合，以盡可能高能效的方式加速這些模型的運(yùn)行。

在創(chuàng)建這些芯片設(shè)計時，公司不必從頭開始，而是可以利用萊迪思專門構(gòu)建的關(guān)鍵IP模塊，例如其CNN加速器系列。這些預(yù)構(gòu)建的電路集為各種應(yīng)用提供了核心基礎(chǔ)，包括人員和物體檢測、物體分類、關(guān)鍵詞識別等。此外，由于FPGA的可編程特性，可以編輯和添加這些IP模塊，以滿足特定應(yīng)用應(yīng)用的要求。

這種預(yù)構(gòu)建IP模塊組合的一個容易被忽視但非常重要的意義在于，它能幫助更多開發(fā)者創(chuàng)建自定義FPGA。這一點至關(guān)重要，因為許多人承認(rèn)FPGA雖然具有強(qiáng)大、靈活的特性，但編程困難。開發(fā)FPGA設(shè)計核心的專用RTL代碼一直是少數(shù)人才能完成的專業(yè)任務(wù)，因此需要為芯片設(shè)計人員提供適合的工具，從而以搭建樂高積木的方式將預(yù)構(gòu)建的組件連接在一起，讓開發(fā)變得更加簡單。

同樣，萊迪思還賦予許多軟件開發(fā)人員已經(jīng)熟悉的傳統(tǒng)AI框架（如TensorFlow）的能力，幫助更廣泛的人群創(chuàng)建在FPGA上運(yùn)行的AI模型。

事實上，正是歸功于這種簡化，F(xiàn)PGA在AI應(yīng)用中的應(yīng)用潛力才能如此多樣化。隨著各行各業(yè)的公司爭先恐后地研究如何最好地將人工智能應(yīng)用于從汽車、醫(yī)療、消費(fèi)電子、工業(yè)等領(lǐng)域，將有更廣泛的潛在客戶群將尋求半導(dǎo)體解決方案來實現(xiàn)這些功能。雖然在過去，其中一部分人可能已經(jīng)知道或考慮將FPGA作為一種潛在的選擇，但萊迪思半導(dǎo)體提供的產(chǎn)品可以使FPGA成為更多群體信賴的強(qiáng)大選擇。

毫無疑問，2024年會看到人們大量將人工智能特性和功能集成到更廣泛的應(yīng)用中。令人興奮的是，F(xiàn)PGA最終可能會成為這一浪潮的強(qiáng)大推動力。

審核編輯：黃飛