引　言

在嵌入式系統(tǒng)研發(fā)領域，隨著產品AI化升級進程，原先設計常規(guī)數(shù)字系統(tǒng)的FPGA硬件工程師和系統(tǒng)軟件設計師們都不得不面臨技術轉型的問題。那么在AI時代， FPGA廠家與傳統(tǒng)的數(shù)字系統(tǒng)軟硬件工程師們該如何轉型，才能更好地順應市場的需求？

業(yè)界聲音

掌握 Verilog FPGA設計和驗證方法是AI時代系統(tǒng)設計師的生命線北航電子信息工程學院退休教授，北京至芯科技FPGA培訓部技術顧問夏宇聞

FPGA自誕生起一直在高速復雜計算領域里占有極大的優(yōu)勢，借助于計算機輔助設計工具通過Verilog編程，設計者可以很方便地將一個通用結構的FPGA芯片構造成一個規(guī)模宏大的并行的計算結構，這個結構能以通用CPU無法比擬的高速進行極其復雜的數(shù)據(jù)處理。在有實用價值的圖像分析、語音理解等模式識別的處理計算中，通常需要在幾個毫秒之內對一幅圖像的所有像素逐點進行卷積計算，分析、比較計算結果，得到可靠的結論。算法研究工作者通常用普通計算機的軟件來處理靜態(tài)數(shù)據(jù)，得到理論結果，但實際應用中如此慢的響應速度根本無法滿足實際工程的需求。最近二十多年來，圖像分析、語音理解等模式識別研究的算法理論研究已逐步成熟，引起了工業(yè)界的興趣，大量的研究經(jīng)費轉向如何設計可以高速進行復雜數(shù)據(jù)處理的并行計算機結構，并研發(fā)實用的AI系統(tǒng)。因此近二十多年來，F(xiàn)PGA芯片和Verilog設計/驗證方法得到了飛速的發(fā)展。

在圖像處理方面，如人臉識別、指紋識別、語音識別方面的機器人，其AI表現(xiàn)也十分搶眼。 在這一類機器人的計算系統(tǒng)中許多極其復雜的計算工作，絕大部分都是由FPGA結構實現(xiàn)的,而且FPGA可以與各種不同的存儲器、各種不同類型的并行接口或是計算機接口(如PCIe等)方便地連接，它也可以把機器人與計算機網(wǎng)絡和廣大的知識庫融為一體，構成極其龐大、響應迅速的AI知識系統(tǒng)。

據(jù)我所知，許多AI研究工作者習慣于用軟件進行算法研究，他們中的大多數(shù)人用靜態(tài)的圖像或靜態(tài)的聲音(錄下來的聲音)做語音理解或者翻譯方面的工作。在整個過程中，雖然數(shù)據(jù)處理的計算速度比較慢，但還是可以得到可靠的分析處理結果。但是在實際工程應用當中，這樣慢的處理速度顯然沒有多大實用價值，因為在許多場合，響應根本無法用于實際場合。隨著研究工作向設計實際系統(tǒng)轉換，我建議軟件系統(tǒng)的工程師們應該學會如何使用FPGA，以及如何用FPGA做復雜計算的加速。其實對計算機科學和工程專業(yè)畢業(yè)的軟件工程師而言，只要有數(shù)字電路的基礎知識，學習Verilog HDL語言并不困難，學會RTL級別Verilog的編程來構造可綜合的并行迭代計算結構并不困難，只需要花費一兩個月就能上手。

而對于那些在嵌入式系統(tǒng)工作多年的硬件工程師或只有一些簡單接口設計經(jīng)驗的FPGA工程師而言，雖然不是一個專職研究處理算法的軟件編程專家，但他們必須抽一些時間來理解算法，幫助算法工程師把電路結構改變得更加合理，令計算瓶頸變成寬敞的通道。在AI時代，特別是AI進入應用的新時代，一個真正的硬件工程師不僅應該熟練掌握Verilog語言，學會如何用Verilog語言編寫可綜合的并行結構，在規(guī)定的時間間隔內完成算法要求的計算工作量，并且學會如何設計硬件，讓硬件與算法軟件配合，更有效率地完成算法要求的多種計算任務。把原來算法研究中完全用軟件實現(xiàn)的計算過程，變成用軟件和硬件配合實現(xiàn)的過程，把整個計算結構改造成一個可配置的高速處理的結構，專門針對某一領域的人工智能產品，讓這個硬件有更大的市場，這是非常有意義的！

總而言之，對今天的AI嵌入式系統(tǒng)的設計師而言，必須軟硬兼?zhèn)洳拍艹蔀橐粋€優(yōu)秀的工程師。換言之，軟件人員要往硬件方向轉，學習硬件知識，硬件工程師也必須向軟件工程師靠攏，理解算法的執(zhí)行過程，為AI算法設計新的計算結構和數(shù)據(jù)通路。這是因為現(xiàn)在AI的軟件編程并不是簡單地編寫一個程序得到一個計算結果，還必須考慮計算的速度是不是足夠快。所以實質上是一個如何設計合理的并行結構計算加速核心硬件，以達到實時全面完成算法要求的問題。

轉型勢在必行，F(xiàn)PGA工程師要理解新任務、掌握新工具

深維科技 CEO樊平

對FPGA產品的需求：

1.硬件性能的提升：盡管FPGA在數(shù)據(jù)中心應用處于一個快速增長過程，但總體規(guī)模還不是很大，這里面有一些限制，也是FPGA廠商需要努力提升的地方。 首先是價格問題，F(xiàn)PGA的大規(guī)模部署需要FPGA硬件成本盡快降下來，這個要靠工藝進步以及市場規(guī)模來解決；其次是存儲訪問帶寬，HBM技術以及CCIX是代表性的方向。

2.軟件工具的提升：FPGA需要軟件工具來輔助工程師完成設計過程，在新的應用領域對設計的內容、流程、驗證方法等都提出了新的需求，例如AI應用客戶希望具備高層次的模型定制能力，但是目前還沒有廠商可以提供成熟的方案。這也為新的工具提供商提供了機會。

3.生態(tài)系統(tǒng)：GPU獲得了廣泛的認同和應用，這與CUDA長期的演進和積累密不可分。新興應用領域大都有流行的設計框架和開源項目。FPGA一般作為高性能計算硬件來加速現(xiàn)有項目，所以需要和這類設計框架進行融合，也需要大量基礎庫/IP來支持用戶快速完成設計。所以一個成熟的生態(tài)系統(tǒng)至關重要，目前這塊也還是非常薄弱。

對FPGA工程師的需求：

1.理解新任務：傳統(tǒng)FPGA工程師面對的是硬件的設計問題，但AI等應用與應用系統(tǒng)關系密切，不單純是FPGA片上邏輯設計的問題。工程師往往需要了解上層軟件如何與FPGA片上系統(tǒng)的集成與優(yōu)化問題。

2.掌握新工具：FPGA主流廠商很早就開始布局新興市場的應用，一個主要工作就是提升FPGA設計開發(fā)抽象層次，OpenCL/HLS語言就是典型代表，一般情況下可以提升數(shù)倍開發(fā)效率。所以FPGA工程師需要充分掌握這類新的工具，以保障自己能有足夠的效率面對行業(yè)需求。

3.抓住新機遇：新興應用領域不僅僅是FPGA市場的簡單擴充，它也為FPGA應用帶來新的商業(yè)模式，以FaaS為代表的應用形式，為FPGA開發(fā)人員帶來眾多新的商業(yè)機遇。

Achronix的Speedcore IP具有支持先進人工智能技術的正確功能組合Achronix半導體公司市場營銷副總裁Steve Mensor

人工智能(AI)應用要求高性能，并且在許多情況下，低延遲能夠成功地響應條件和需求的實時變化。它們還要求功耗盡可能的低從而意味著無法使用，其解決方案是將機器學習放在供電和制冷能力充足的云服務器端。對這些嵌入式系統(tǒng)的進一步要求是，即使在沒有網(wǎng)絡連接到云端的情況下也都能隨時工作并且準備好做出響應。這些因素的組合要求在硬件設計方法上做出改變。

人工智能要求謹慎地平衡數(shù)據(jù)通路的性能、內存延遲和吞吐量，這就需要用一種方法來將盡可能多的功能放到專用集成電路(ASIC)或系統(tǒng)級芯片(SoC)上。通過添加eFPGA技術，則提供了市場需要的一種解決方案，來將靈活性以及客制化邏輯單元支持能力結合在一起。

作為專為嵌入到SoC和ASIC之中而設計的硅知識產權(IP)，Achronix的Speedcore eFPGA IP是一種高度靈活的解決方案，它支持高性能機器學習應用中需要的數(shù)據(jù)吞吐量。通過借助其可切分的架構，Speedcore IP為設計人員提供了滿足其應用要求的能力來實現(xiàn)eFPGA功能的混合和匹配。Speedcore IP的核心功能包括基于四輸入查找表(LUT)的邏輯單元、用于寄存器文件和類似應用并面向邏輯單元的小型存儲器(LRAM)、較大的單元塊存儲器(BRAM)和可配置的數(shù)字信號處理器(DSP)模塊。根據(jù)應用的要求，Speedcore基于縱列的架構可提供準確混合資源的能力。

FPGA工程師要這樣擁抱

AI資深嵌入式軟件工程師楊鑫

FPGA本身作為一種可編程的邏輯器件，其最突出的特性在于可編程的邏輯部分，這與傳統(tǒng)CPU的順序執(zhí)行方式有著本質區(qū)別，與ASIC相比又有著較好的靈活性，在AI產業(yè)興起之前，就一直是ASIC設計的前期驗證手段。但現(xiàn)在FPGA器件的發(fā)展已經(jīng)跨越了可編程這個特性，現(xiàn)在的FPGA器件往往擁有遠比通用芯片更高的I/O帶寬和內存帶寬例如高達40 Gbps的serdes接口，以及HBM2等超高速內存接口，這些接口使得FPGA在通信領域有著非常廣泛的應用。

現(xiàn)如今，由于很多AI產品對內存帶寬和互聯(lián)互通性有著相當高的要求，在較輕運算量的情況下，F(xiàn)PGA的可應用場景有了非常大的突破，所以很多小批量、快迭代的產品，其最佳開發(fā)方式反而變成了FPGA，而非ASIC或者GPU等等，因此FPGA開發(fā)人員，只要多熟悉AI技術、熟悉AI應用需求，仍然可以在AI行業(yè)游刃有余，不斷打造新的傳奇。

編輯視角

現(xiàn)在的圖像處理和數(shù)據(jù)的傳輸、分配這些事情在人工智能開發(fā)方面發(fā)揮著重要作用,在AI時代需要FPGA工程師尤其是做軟件算法和做硬件設計的人要優(yōu)勢互補。

在汽車領域中，汽車電子、人工智能、自動駕駛與汽車產業(yè)的未來發(fā)展密切相關，人們關注汽車產業(yè)未來發(fā)展的動向。里程焦慮、充電焦慮、電池焦慮是困擾電動汽車未來發(fā)展的三大障礙，一百多年來，電動汽車都在與三大障礙在斗爭中前行。如今，在三大焦慮難以緩解的現(xiàn)狀下，未來很長的時期里，內燃汽車與電動汽車還會相伴而行。