为什么微软要基于FPGA来进行人工智能芯片设计?

微软发明的GPU与FPGA进行数据传输的方法，不仅可以带动基于FPGA进行人工智能芯片设计的发展，同时也可以加快深度学习技术发展的步伐。

集微网消息，2018年5月，在Bulid大会上，微软宣布 Project Brainwave 开放预览，这是一种用于深度神经网络处理的架构，可以用于Azure与边缘环境，并且可以让Azure成为实时运行人工智能最快的云平台。

为什么微软要基于FPGA来进行人工智能芯片设计呢？这是因为当时微软的搜索引擎都是依靠CPU驱动，尽管英特尔等公司不断改进CPU，但是这些芯片还是不能满足微软的需求。而此时恰好FPGA能弥补这个不足。

图形处理单元（GPU）已经被用于图形应用许多年，近年来也被应用于其他例如图形处理、搜索以及其他一般的应用。虽然FPGA和GPU均可以被视为专用处理器，但是在某些场合，如果FPGA与GPU之间可以进行通信以及任务的共享、转交，会更加高效的完成任务，这也是基于FPGA设计人工智能芯片的重要设计方案之一。

为了实现FPGA与GPU之间的通信，微软在2013年8月16日申请了一项名为“GPU和FPGA组件之间的直接通信的方法和系统”的发明专利（申请号：201380044351.6），申请人为微软技术许可有限责任公司。

根据该专利目前公开的资料，让我们一起来看看这项FPGA与GPU之间的通信技术吧。

如上图，为用于GPU和FPGA组件之间直接通信的系统框图，系统100包括存储计算机指令的存储器、中央处理单元（CPU）102、图形处理单元（GPU）104和现场可编程门阵列（FPGA）106，这些部件通过总线进行连接，传输数据包括经由PCIe交换机在GPU和FPGA之间直接传输数据。

而要达到数据传输的目的，必然不可避免要对于数据在硬件中进行编址，也就是例如基于虚拟存储器存储的数据，被存储在不连续的块中的数据的物理地址中时，需要进行地址编码。当数据在GPU与FPGA之间传输时，数据可以从FPGA的存储器传输到GPU中，由于采用了编址，因此也就不会发生数据错位、丢失等问题。

在GPU和FPGA通信中，也分为直接通信和间接通信两种方式，首先我们来看看间接通信方式。

如上图，为GPU和FPGA组件之间间接通信的系统示意图，如图所示，数据202经由GPU、快速PCI交换机、CPU和CPU存储器，在GPU存储器和FPGA存储器之间交换。这是一个间接的路径，由于在GPU和FPGA之间经过了CPU，因此也被称为GPU-CPU-FPGA传输。

这种间接传输的方式，虽然可以保证数据在GPU和FPGA之间共享，但是由于数据经过了两次PCIe交换机并由于操作系统和CPU存储器硬件两者的等待时间加时，因此增加了通信等待时间和操作系统的开销。

接着，我们来看看GPU和FPGA组件之间直接通信的流程图，如上图所示，首先要获取标识用于直接访问FPGA的存储器的地址的虚拟指针，例如FPGA驱动程序可以生成标识用于直接访问FPGA中的存储器的地址的虚拟指针。

之后就可以启动虚拟指针到与FPGA外部的GPU相关联的图形处理单元（GPU）驱动程序的传输，经过外部的总线接口，可以直接启动GPU与FPGA之间的数据传输，而无需作为中间操作来将数据存储在中央处理单元的存储器中。

以上就是微软发明的GPU与FPGA之间的数据传输方案，在微软进行基于FPGA的人工智能芯片设计的过程中，FPGA担任着机器学习算法的主要硬件基础。这种在GPU与FPGA之间传输数据的技术，势必会加速人工智能芯片的发展以及加快深度学习技术的发展。

关于嘉德

深圳市嘉德知识产权服务有限公司由曾在华为等世界500强企业工作多年的知识产权专家、律师、专利代理人组成，熟悉中欧美知识产权法律理论和实务，在全球知识产权申请、布局、诉讼、许可谈判、交易、运营、标准专利协同创造、专利池建设、展会知识产权、跨境电商知识产权、知识产权海关保护等方面拥有丰富的经验。
责任编辑:tzh