簡介

在過去三百年間，工業領域取得了長足的進步。機器設備最初于18世紀問世，主要以水和蒸汽為動力，并引發了18世紀末的工業革命（通常被稱為工業1.0）。盡管流水組裝線的概念可以追溯到中國古代的青花瓷制作，但直到19世紀末，亨利·福特才設立了第一條電動流水線，形成了工業2.0的框架。

自動化和計算機技術于1960年代末期開始嶄露頭角，并構成了工業3.0的雛形，為如今驅動著工業4.0的自動化、人工智能（AI）和網絡化解決方案鋪平了道路。雖然這幅圖景中似乎已經看不見人類的身影，但工業5.0將帶領我們返璞歸真，利用AI驅動的機器人系統所具有的精準和高效，與人類大腦的奇思妙想和實時思考有機結合，創造出更理想的制造環境。

圖1：工業技術的演進

人工智能

人工智能（AI）是計算機科學的一個分支，主要專注于開發能夠模擬人類行為的機器。這類設備的范疇林林總總，從可以簡單地執行算法，到可以自主從周邊環境中學習、無需人類介入便自行調節算法。機器學習（ML）是人工智能的子集，它通過運用數據集衍生的統計模型來改進特定任務。作為機器學習的子集，深度學習（DL）運用了多層神經網絡，不僅能執行基礎的機器學習推理，還能學習新的數據，從而獲得更高層的認知能力（見下圖）。在本篇白皮書中，所有機器學習和深度學習都將被簡稱為ML。

圖2：人工智能/機器學習/深度學習譜圖

人工智能（AI）的常見用例包括先進駕駛輔助系統（ADAS），即自動駕駛汽車的支柱；語音識別及合成（例如華為的Celia）；醫療診斷；數據與網絡安全；金融服務預測性模型（例如電子化交易），或電商與流媒體服務推薦；當然還有工業制造。

隨著工業4.0在2010年代早期進一步演進，使得AI在制造環境中的重要性與日俱增。如今，許多應用都會利用AI來促進制造和業務經營、流程、安保和供應鏈等更加流暢高效。通過運用預測性算法，AI可以監控設備狀況，優化維護日程，最終還能預報機械故障。

與制造相關的物料供應鏈管理也可以充分發揮預測算法的優勢，保障流程能夠順利、高效地持續運作。AI算法還可以參考過往和現在的商業需求，從而協助預測未來的業務。這些AI系統可以與供應鏈和庫存管理系統結合，加快獲利時效，降低間接成本。機器人早在工業3.0就成為了其中重要的組成部分。而在我們即將迎來工業5.0之際，這些機器人系統必須擁有適應性的AI算法（主要為DL算法）。它們不僅需要自主學習，還必需能夠解讀人類的實時輸入。低時延的實時適應能力也將成為不可或缺的要素。

AI之外的生態系統組件

在持續興旺發展的工業4.0和正在演進的工業5.0中，AI依然是一個重要的組成部分。然而，AI算法的蓬勃發展離不開實時數據。物聯網（IoT）是由互聯的電子設備組成的系統，可以從模擬和數字世界中獲取與接收數據。時間、壓力、溫度、速度、角度及視聽數據源必須經過采集，隨后轉換成結構化數據，各類基于AI的系統才能對其進行分析和控制。和4G網絡相比，自2019年起部署的5G網絡（在韓國率先部署）可提供100倍的帶寬（最高可達10 Gbps）和500倍的信道數量。5G網絡與IoT結合之后，海量的輸入數據在計算機領域中引出了一種新范式，即對數據加速器的需求。

數據加速器

在海量的數據面前，數據中心處理數據的負擔以及發現數據背后的意義這些工作，已經令傳統的計算服務器模式不堪重負。過去應對數據激增的方法就是在數據中心增添服務器。服務器安裝規模的提升不僅提高了資本性支出，再加上設備的運行和冷卻需要消耗更多能源，營運性支出也隨之水漲船高。

取決于數據加速器的類型與負載，服務器中單個數據加速器的運算能力可以與15臺服務器匹敵，從而大幅削減了資本性支出和營運性支出。基于硬件的數據加速器還帶來了更多效益，例如較低的時延和更高的穩定性，這在車輛自動駕駛、工業4.0/5.0、金融服務和其他對時延要求較高的用例中效果尤為突出。優秀的數據加速器還有最后一項特征，它具備了出色的靈活性，能夠適應ML/DL算法的變化，包括算法本身的調整、負載的變化和/或ML/DL算法數據集的更新。

數據加速的賽場上有三種各異的硬件方式，即GPU、FPGA和定制ASIC。如下圖所示。CPU的靈活性始終是最出色的，但與其他專用數據加速器相比，在能耗、性能和成本方面存在一定的劣勢。其它選項便是GPU、ASIC和FPGA。ASIC的效率與性能最為出色，但功能完全固定，缺乏必需的靈活性，無法適應AI算法的變化、新興技術的參數改動、供應商要求和負載優化。GPU是傳統核心數據中心的主力，僅限于純粹運算這樣的使用場景，而不能提供大多數場景中需要利用到的聯網與存儲加速的能力，并且能耗和成本較高。FPGA可以加速聯網、運算和存儲，速度與ASIC相仿，也具備了必需的靈活性，能夠為如今的核心與邊緣數據中心提供理想的數據加速。除了數據加速之外，FPGA還將在傳感器融合和傳入數據流合并等領域發揮關鍵作用，為數據消費打下了堅實的基礎。

圖3：CPU、GPU、FPGA和ASIC的對比

Achronix提供的精選產品

Achronix為AI/ML運算、聯網和存儲應用開發了基于FPGA的數據加速產品。與其他高性能FPGA企業不同，Achronix可同時提供獨立FPGA芯片和嵌入式FPGA半導體知識產權（IP）解決方案。除了獨立的FPGA芯片和eFPGA IP之外，Achronix還提供基于PCIe的加速卡，可用于開發、實地測試或生產等應用場景。

采用臺積電7納米工藝打造的Speedster?7t系列FPGA擁有業界最快的輸入/輸出速度，可支持400 GbE、PCIe Gen5和雙存儲接口：標準DDR4和GDDR6存儲接口可以帶來的驚人速度，相較于DDR4提高了600%。如果數據無法輕松通達FPGA邏輯陣列，高速接口便無法發揮太多作用。

為了避免遇到這一瓶頸，Achronix從架構增加了二維片上網絡（2D NoC），能夠有效充當所有外部輸入/輸出數據的高速通道，增強了FPGA內部的功能單元塊和FPGA邏輯陣列本身。這種2D NoC實現了超過20 Tbps的雙向帶寬，遠遠超過了輸入/輸出和功能塊的總帶寬需求，消除了片內通信的時延問題。

在對成本、性能與能耗有較高敏感度的大批量應用場景中，用戶通常會采用ASIC，但這時又該如何滿足對靈活性的需求呢？無論是算法的演變、需求變化、供應商和經營者的具體要求、協議適配，還是功能系統單元塊的多樣接口，它們都對靈活性提出了一定程度的要求。

Speedcore? eFPGA IP便是這一問題的最終答案，它可令ASIC能夠具備“恰到好處”的靈活性。其中查找表（LUT）、內存、DSP/MLP和2D NoC的資源量與組合方式可由ASIC開發者決定，Achronix則會為他們的ASIC或SoC設計提供集成在芯片上的定制IP。

VectorPath?加速卡是采用PCIe外形結構的硬件加速平臺，可以考慮用作評估、開發與現場測試工具，或也可以用于量產應用。該解決方案也可以根據用戶的具體要求量身定制。

結語

AI、ML和DL將繼續推動工業4.0和5.0的發展，使生產力與效率更上層樓。在IoT和5G技術的協助下，自動化和機器人將與人類的奇思妙想和創造力融為一體，孕育出人類在10年前未曾想象的制造環境。FPGA促成了傳感器融合，能夠與眾多物聯網設備連接，充分把握制造環境下人工智能系統所需的高性能與靈活性之間的平衡。