自适应计算与新基建数据需求相契合，赛灵思核心市场如何拥抱新基建

今日，赛灵思大中华区高管分享了对大中华区核心市场的理解，以及在中国新基建浪潮下，赛灵思如何在众多细分领域带来不一样的创新驱动力。

作为FPGA、可编程SoC及ACAP的发明者，赛灵思第四任CEO Victor Peng于2018年上任时即宣布启动三大新战略：数据中心优先、加速核心市场发展以及驱动自适应计算。

在过去一年，赛灵思表现强劲，年收入首次突破30亿美元大关，并推出Zynq UltraScale+ RFSoC系列、业界首款支持第四代PCIe的轻量级自适应计算加速卡Alveo U50、全球最大容量FPGA、Vitis统一软件平台等重磅新品。

如今赛灵思已进入2021新财年，赛灵思大中华区销售副总裁唐晓蕾、赛灵思大中华区核心市场总监酆毅详谈对数据新基建的理解，以及赛灵思在汽车、工业视觉与医疗、专业音视频与广播等核心市场如何拥抱新基建。

一、自适应计算与新基建的数据需求相契合

唐晓蕾认为，新基建的“新”在于为了数据进行基础建设，从而实现数据更好的流通，产生改变生活的积极价值。

在互联网时代，数据离服务较远，近些年数据产生的引力会吸引服务向数据端靠近，形成边缘计算，使得IoT设备可以独立分析数据并进行决策。

在唐晓蕾看来，5G、人工智能（AI）、数据中心等新基建谈的是数据的产业化，汽车、城际高速、特高压、工业物联网则谈得是产业的数字化，这些新基建的核心都是数据。

数据正以杂乱无章的形式呈现并爆炸性增长，不同的数据叠加起来，以致于一种架构很难独立完成海量数据的高效处理，异构计算应运而生。

进入20nm节点后，芯片制程的迭代周期越来越慢。随着数据量增加，需求不断转变，创新正在快速演进，到智能时代，算法和AI模型演进非常迅速，行业标准也在持续变化，致使创新周期与芯片迭代周期不甚匹配。

在这一背景下，自适应计算的价值凸显出来。单一架构会阻碍计算能力，针对不同应用做芯片又会影响创新速度，而自适应计算不受芯片迭代周期的限制，又能同时适应算法的演进和需求的变化。

出于平衡的考量，赛灵思认为自适应计算能更好的满足当下计算的需求。

怎么定义自适应平台呢？ 唐晓蕾介绍说，自适应平台应是能根据特定领域的应用特点来不断变化的架构。在新基建推进的过程中，很多跨行业的创新机会出现，这些市场正需要灵活、可编程、自适应的计算平台。

赛灵思一直以来都是自适应计算的领导者。在云计算领域，赛灵思是首家拥有FPGA-as-a-Service公有云的服务商；在5G通信方面，赛灵思在全球率先实现5G无线电商用部署；在汽车领域，赛灵思车规级芯片出货量已逾1.7亿片；在航空航天领域，赛灵思是第一大FPGA/SoC厂商；在工业物联网视觉领域，赛灵思拥有70%的市场份额；在测试、测量与仿真领域，赛灵思为第一大逻辑IC供应商。

在硬件方面，作为FPGA发明者，赛灵思并没有停留于研发FPGA，而是根据客户需求逐渐延展到SoC、MPSoC、RFSoC以及两年前重磅推出的自适应计算加速平台（ACAP）。

过去两年，赛灵思完成从器件到平台的转型，在硬件方面发展到全硬件平台，并在软件方面持续升级，让软件工程师也能尽早享受到硬件带来的便利。

二、赛灵思核心市场如何拥抱新基建？

赛灵思有十大市场领域，包括汽车电子、数据中心、有线通信、无线通信、消费电子、测试测量与仿真、医疗与科学计算、工业与视觉、航空航天、广播与专业音视频，这些市场均与数据新基建高度契合。

酆毅重点阐述了赛灵思如何发力于汽车、工业视觉与医疗、专业音视频与广播、测试、测量与仿真（TME）以及消费电子等核心市场。

1、汽车：总出货量逾1.7亿颗

过去四五年间，赛灵思汽车业务稳步增长，覆盖范围从2014年的14家车厂、29个车型，发展到如今超过30家车厂、100多个车型，涵盖全球所有主流的一级汽车供应商、原始设备制造商（OEM）及各种创企。

赛灵思车规级芯片总体出货量已逾1.7亿颗，其中约7000万颗用于量产型高级驾驶员辅助系统（ADAS）。

赛灵思汽车方案从ADAS向AD持续演进，在前视摄像头、激光雷达、成像雷达、传感器融合、计算加速平台等领域均有成功应用。

ADAS从计算机视觉逐渐过渡到AI深度学习处理，前置摄像头预计在2022-2023年成为“标准功能”，同时二维雷达向成像雷达过渡，激光雷达技术高度分裂化/差异化，传感器探测目标范围将超过300米。

这对ADAS和自动驾驶系统平台提出新的要求，需要更加灵活可扩展的智能处理能力。

对此，赛灵思提供从边缘传感器到领域专用控制器的灵活可扩展产品组合，具备极低功耗、低时延的AI推理性能，并且提供符合功能安全（ISO26262）标准的成熟器件、工具和设计流程。

基于动态功能切换（DFX，Dynamic Function eXchange）技术，赛灵思的动态可重编程芯片支持众多ADAS和AD功能，可有效降低系统成本和功耗。

▲赛灵思汽车级器件路线图

机器学习仅是汽车各种系统应用处理过程中的一个组成部分，自动驾驶讲究不同来源的数据融合，最关键的是总体执行时间，即实现整体应用的加速。

赛灵思异构计算平台能实现多传感器同步和融合，并支持着视觉系统的持续进化，支持功能的持续叠加和传感器分辨率的持续提升，算力也不断增强。

酆毅展示了一个L4级自动驾驶的“真实”时延案例，使用激光雷达传感器和视觉摄像头同时探测一个目标。

当两种探测结果融合后，没使用赛灵思平台的传统方案至少造成1/3车身长度的延时，这对自动驾驶安全场景有极大隐患；而赛灵思平台能实现多传感器同步和融合，带来实时的整体系统响应。

2、工业视觉与医疗：边缘计算解决时延痛点

在工业领域，赛灵思的主要应用于智能工厂和智慧城市，涵盖机器人技术、驱动与电机控制、工业物联网网关与边缘设备、PLC/PAC/IPC、I/O模块与智能传感器、人机界面、视频监控与智慧城市、机器与计算机视觉、智能电网、3D打印与增量制造等应用。

在智慧医疗领域，赛灵思的十大应用包括外科手术机器人、内窥镜检查、CT/核磁共振/PET成像、放射设备、超声、3D牙科成像、病患监护、呼吸机与气泵、智能病床、除颤器。

在疫情期间，赛灵思被相当多全球医疗客户要求保障供货，医疗设备对其产品需求高涨。

酆毅以一个实例展示工业物联网领域加倍的边缘计算和智能化需求。

从时延角度考虑，控制系统的速率由自然速率确定，理论上至少需要10倍的采样频率才能有效捕捉信息，风力发电机采样频率可能在几赫兹或十几赫兹，所需控制速率要达到10毫秒左右。

如果对控制系统的作用通过中央化/云化处理平台来实现，则会面临物理限制的挑战。例如纽约至洛杉矶距离2800英里，数据即便用最快的光速（每秒186000英里）来传播，往返一次尚且需要30毫秒，控制速率基本不可能达到10毫秒。因而本地化部署对于解决时延问题尤为必要。

从成本角度考虑，仅发电站云数据存储服务成本就超过每月13000美元，数据“质量”也在将计算推向边缘。

工业物联网和医疗物联网的开发环境在过去相对复杂，物联网相关器件包含嵌入式开发、硬件平台开发、软件跨平台开发，至少需要组建三个不同的团队及开发环境。

经过多年演进，赛灵思已实现统一的异构开发环境，面向云端开发者以及IT技术、操作技术的整合，赛灵思的ZYNQ UltraSCALE平台能做到让开发者在统一平台实现多核Arm应用、实时处理器、外设和可编程逻辑的开发工作。

3、专业音视频与广播：满足更高视频处理需求

专业音视频与广播涉及内容的采集与消费，覆盖摄像头、大型现场活动、专业音频、现场直播、电视台、坐席管理系统、LED大屏显示、视频会议、控制室等广泛领域。

图像传感器与显示技术的发展对视频处理提出更高需求，需要更高的解析度、更快的帧频、更鲜艳的颜色和更高的动态范围，这对带宽/存储或压缩均提出更高要求。

从工作流程的角度来看，设备除了能支撑上述像素变化外，还需能支持视频内容相关分析以及虚拟化。

在这一领域，赛灵思为电视直播、数字电影、沉浸式现场活动三大领域提供端到端的支持。

其中，早期电影制作需要在现场提供服务，通过赛灵思和合作伙伴的能力，让远程电影制作成为可能。

4、测试测量与消费电子：助力国产芯片研发

在测试、测量与仿真（TME）领域，赛灵思的应用主要分布于4个子市场：测试与测量仪器、仿真原型设计、特定应用测试与测量、半导体自动实验设备（ATE）。

开发芯片过程中的仿真与原型设计，大多数主流应用均通过FPGA来实现。

据酆毅介绍，赛灵思有业界最完整的仿真平台，能助力中国半导体行业自主研发芯片。

赛灵思在消费电子领域也有广泛应用，包括电视机、投影仪、照相机等消费类音视频，企业打印机和手持打印机等打印机应用，以及陪伴机器人、智能门锁、住宅自动化等智能家居类应用。

结语：自适应计算成汽车/AI行业 重要驱动力

经过长达一个半小时的沟通交流，我们可以看到汽车行业将是赛灵思在中国市场重要的发力点。

酆毅认为，汽车行业既是巨大的数据源，也是巨大的数据消耗源，对数据算力和时延的诉求都非常高，其异构平台的诉求与赛灵思自适应计算产品的特性十分契合。 赛灵思与很多国内汽车、AI初创公司以及汽车企业有紧密合作，并且很乐意与国内汽车行业进行紧密合作，提供相关平台或方案。

汽车行业正在经历一场智能化革命，其中AI正化身自动驾驶的关键利器。除了汽车领域外，AI也在渗透到几乎各行各业。

“假如大数据是人的大脑，那么AI将会是它的神经。”唐晓蕾说，“它会让每一个肌肉（垂直市场）在这个神经的牵引下变得更加智能”，随着AI更加先进，面对不同应用时适应性会更好。

而随着国内AI、5G和自动驾驶等新基建领域的发展，赛灵思与其在国内的合作伙伴都有望寻求到更多的应用与创新的机会。

责任编辑：gt