未来性能增长需依赖架构上改变因此需要用FPGA进行人工智能硬件加速

摩尔定律从2003年开始放缓。为了延续性能倍增、功耗减半，Intel CPU采用多核来实现。然而，到2015年以后，多核也达不到了。内核数每增加一倍，运算性能并不能成倍增长。因此，业界需要寻找新的方法来实现延续，比如针对应用进行硬件加速。

人工智能的硬件加速，如果想要做得好的话，需要具备三个条件：运算能力很强，数据传输高效，存储器带宽高。业界衡量性能的指标包括性能功耗比和性能价格比。

Achronix Semiconductor 公司市场营销副总裁Steve Mensor

硬件加速应用六大应用场景

日前，Achronix Semiconductor公司市场营销副总裁Steve Mensor告诉记者，硬件加速应用有几大类应用场景：

1.云的加速。涉及压缩解压缩、区块链和安全等，需要很高的运算能力和功耗成本比。

2.边缘计算。很多应用由于需要低延迟，不允许将数据传到数据中心处理，而需要在边缘处理，并且需要低功耗。

3.存储。有些应用需要高效率，因而要求在存储器里进行数据处理。

4.5G基础设施。5G网络中的BBU（基带处理单元）和RRU（射频拉远单元），其协议处理有很大不确定性，需要用FPGA来编程。

5.传统的网络加速需要用FPGA，而现在网络中出现了新的智能网卡，要求在发给服务器之前进行加解密、压缩解压缩等各种处理。

6.自动驾驶。涉及人工智能、数据运算和传感器融合等，需要具有可编程性。

人工智能/机器学习应用为何要用FPGA？

FPGA在人工智能/机器学习（AI/ML）上扮演重要角色。AI涵盖各种应用和层面，工业、教育、政府、农业等各行各业都可以运用。个人电脑在1980年到2000年增长很快。从2000年开始（包括智能手机的出现），无线互联网增长更快。而在未来，据估计，随着5G的到来，AI的增长又将会更快。据估计，在半导体业务方面，到2024年，AI将占有约500亿美元市场。

Mensor介绍，硬件加速从实现上看可以有几种不同选择：CPU、GPU、FPGA和ASIC。CPU最有灵活性，能够覆盖各种不同应用，但它的能力（效率）最弱。ASIC的成本、性能和功耗最好，但它不能改变。目前AI算法层出不穷，ASIC不能满足各种要求。

若要同时具有可编程性和效率，则可以采用GPU和FPGA。在功耗和效率上，FPGA比GPU更强。尤其是在AI推理上，对于低精度场景，FPGA的性能功耗比比GPU大16倍。“GPU更适合用在服务器侧，而FPGA则更适合用在边缘侧。”Mensor补充说。FPGA适合做推理，GPU适合做训练。

7nm eFPGA性能增强

日前，Acronix推出新的7nm架构IP——Speedcore 7t，在功耗、性能和裸片尺寸（PPA）上均有改进。

从工艺上看，7nm比16nm快60%。同时，它针对AI/ML做了新的架构改进（第四代架构），对于AI/ML应用，性能比16nm增长3倍。此外，相比16nm，其功耗降低50%，裸片面积减少2/3。

7nm相对16nm在架构上做了很大改变，例如算逻单元（ALU）增加一倍，布线布局做了改善，并且针对AI/ML运算增加了新的模块（详见下图）。ALU和MAX（）针对AI/ML更有效率，其他四个则适用于所有应用，他补充说。