FPGA会成为云端AI的最佳选择吗

（文章来源：电子信息产业网）

有学者指出，英伟达在芯片领域的强势表现源于其对AI技术需要高并行浮点计算的预判。英伟达创始人黄仁勋认为，大脑在想象物体时会浮现相应的图像，与GPU运行模式类似。相比串行运算的CPU，用大量小核心进行大规模并行计算的GPU能提升运算速度，更加适应深层神经网络对矩阵乘法运算和卷积运算的需求。

“不考虑RGB信息，图像就是一个二维阵列，GPU对每一个阵列、每一个单元采用相似的处理方法， 实现规模并行计算，而通用的人工智能算法也有着处理单元（神经元）多、处理方式相似的特点。在用AI升级计算能力方面，GPU是一个很好的方案。”赛迪智库软件产业所研究员蒲松涛告诉《中国电子报》记者。

据悉，英伟达发布的Volta架构Tesla V100 GPU在混合精度矩阵乘法和累加的峰值运算已达120 TFLOP/s，目前英伟达Drive PX芯片应用于自动驾驶，Jetson芯片应用于无人机和机器人，Tesla系列用于加速超算和云计算，从深度学习框架到产品终端皆有布局。

在今年的CVPR（IEEE国际计算机视觉与模式识别会议），英伟达将Volta架构的GPU免费赠送给100位AI研究者，其中包括15枚Tesla V100，可见英伟达对AI的进取心。据Jon Peddie Research数据，英伟达2017年在GPU市场占有率达72.5%，AI成为英伟达主导市场的抓手。

微软宣布英特尔Stratix10 FPGA芯片成为其深度学习平台Project Brainwave的关键加速器。英特尔可程式化解决方案事业群总经理Dan Mcnamara称，英特尔FGPA根据微软对AI算法最优化与AI实时处理的需求定制硬件加速器，FGPA的可编程集成电路能广泛适应结构化与非结构化数据。英特尔FPGA将加速器集成在处理器硬件层能降低延迟、提升效能，增强平台在深度学习、机器学习、网络、存储方面的表现。

支持定制、功耗更低、效率更高的FGPA能狙击GPU的主流地位吗？从架构来看，FGPA的算法直接构建在物理层，比依靠指令系统的CPU、GPU更有效率，可编程的开源属性也让FGPA更加灵活。

“FGPA性价比更低，功耗小，扩展性好，可编程可开发，非常适合深度学习在云端的算法训练。但FGPA的部署量还与GPU有相当的差距，尚处于各自开发的阶段，没有统一的开源框架，”  赛迪顾问电子信息行业分析师向阳在接受《中国电子报》专访时说。向阳认为FGPA是一种趋势，未来BAT或许会更多采用FGPA集成AI算法。

英特尔研发团队也注意到现阶段FGPA与GPU的差距。他们指出，深度学习对浮点运算和矩阵运算的需求让GPU脱颖而出，但Stratix10 FPGA芯片有几千个硬浮点单元、灵活的内嵌RAM、高带宽内存，在效能上并没有被GPU甩开。而深度神经网络正在引入越来越多的不适合GPU处理的不规则并行数据，他们预测FGPA会成为下一代深度神经网络的加速硬件。

谈到AI芯片，就不得不提被视为Tesla V100最强对手的谷歌TPU 2.0。与英伟达不同，谷歌不打算出售TPU 2.0，而是将它集成到谷歌数据中心，预计开发者可在今年年底之前通过云平台训练、执行T神经网络训练。与竞争对手相比，谷歌对AI生态的主导意识更强，TPU 2.0需配合谷歌Tensorflow深度学习框架，使用Caffe、Torch的开发者则要基于TPU 2.0进行调整。