賽靈思 All Programmable FPGA 和 SoC 針對一系列計算密集型工作負載提供最高效、最具成本效益、時延最低、最具設計靈活性并且滿足未來需求的計算平臺。

為了滿足不斷攀升的數(shù)據(jù)處理需求，未來系統(tǒng)需要在計算能力上大幅改進。傳統(tǒng)解決方案（例如 x86 處理器）再也無法以高效、低成本的方式提供所需的計算帶寬，系統(tǒng)設計人員必須尋找新的計算平臺。

FPGA 和 GPU 越來越多地被系統(tǒng)設計人員看好，認為它們能夠滿足未來需求的計算平臺。

為新時代提供必要的計算效率和靈活性，本白皮書將對 GPU 以及賽靈思 FPGA 和 SoC 器件進行分析。

未來系統(tǒng)（例如云數(shù)據(jù)中心 [DC] 和自動駕駛汽車）需要在計算能力上大幅改進，以支持不斷增多的工作負載以及不斷演進的底層算法 [ 參考資料 1]。例如，大數(shù)據(jù)分析、機器學習、視覺處理、基因組以及高級駕駛員輔助系統(tǒng) (ADAS) 傳感器融合工作負載都在促使計算性能能以低成本、高效的方式實現(xiàn)提升，并且超出現(xiàn)有系統(tǒng)（例如 x86 系統(tǒng)）的極限。

系統(tǒng)架構師正在尋找能滿足要求的新計算平臺。該平臺需要足夠靈活，以便集成到現(xiàn)有的架構中 , 并支持各種工作負載及其不斷演進的算法。此外，這些系統(tǒng)很多還必須提供確定性的低時延性能，以支持實時系統(tǒng)（例如自動駕駛汽車）所需的快速響應時間。

圖形處理單元 (GPU) 廠商非常積極地將 GPU 定位成新時代計算平臺的最佳之選，主要依據(jù)其在機器學習訓練的高性能計算 (HPC) 領域取得的成功。在此過程中，GPU 廠商針對機器學習推斷工作負載修改了他們的架構。

然而，GPU 廠商還是忽視了基本的 GPU 架構的局限性。這些局限性會嚴重影響 GPU 以高效、低成本方式提供必要的系統(tǒng)級計算性能的能力。例如，在云端 DC 系統(tǒng)中，對工作負載的需求在一天內(nèi)會發(fā)生很大變化。此外，這些工作負載的底層算法也會發(fā)生快節(jié)奏變化。GPU 架構的局限性會阻止很多今天的工作負載和明天形成的工作負載映射到 GPU，導致硬件閑置或低效。本白皮書的“GPU 架構的局限性”部分對這些局限性進行了更詳細介紹。

相反，賽靈思 FPGA 和 SoC 具有眾多關鍵屬性，使它們非常適合解決未來系統(tǒng)要求所提出的種種挑戰(zhàn)。這些獨特屬性包括 ：

● 針對所有數(shù)據(jù)類型提供極高的計算能力和效率

●具備極高靈活性，能夠針對多種工作負載將計算和效率優(yōu)勢最大化

●具備 I/O 靈活性，能方便地集成到系統(tǒng)中并實現(xiàn)更高效率

●具備大容量片上存儲器高速緩存，可提高效率并實現(xiàn)最低時延