簡介

在過去三百年間,，工業(yè)領域取得了長足的進步。機器設備最初于18世紀問世，主要以水和蒸汽為動力,，并引發(fā)了18世紀末的工業(yè)革命（通常被稱為工業(yè)1.0）,。盡管流水組裝線的概念可以追溯到中國古代的青花瓷制作,，但直到19世紀末,，亨利·福特才設立了第一條電動流水線，形成了工業(yè)2.0的框架,。

自動化和計算機技術于1960年代末期開始嶄露頭角,，并構成了工業(yè)3.0的雛形，為如今驅動著工業(yè)4.0的自動化,、人工智能（AI）和網絡化解決方案鋪平了道路,。雖然這幅圖景中似乎已經看不見人類的身影，但工業(yè)5.0將帶領我們返璞歸真,，利用AI驅動的機器人系統所具有的精準和高效,，與人類大腦的奇思妙想和實時思考有機結合，創(chuàng)造出更理想的制造環(huán)境,。

圖1：工業(yè)技術的演進

人工智能

人工智能（AI）是計算機科學的一個分支，主要專注于開發(fā)能夠模擬人類行為的機器,。這類設備的范疇林林總總,，從可以簡單地執(zhí)行算法，到可以自主從周邊環(huán)境中學習,、無需人類介入便自行調節(jié)算法,。機器學習（ML）是人工智能的子集，它通過運用數據集衍生的統計模型來改進特定任務,。作為機器學習的子集,，深度學習（DL）運用了多層神經網絡，不僅能執(zhí)行基礎的機器學習推理，還能學習新的數據,，從而獲得更高層的認知能力（見下圖）,。在本篇白皮書中，所有機器學習和深度學習都將被簡稱為ML,。

圖2：人工智能/機器學習/深度學習譜圖

人工智能（AI）的常見用例包括先進駕駛輔助系統（ADAS）,，即自動駕駛汽車的支柱；語音識別及合成（例如華為的Celia）,；醫(yī)療診斷,；數據與網絡安全；金融服務預測性模型（例如電子化交易）,，或電商與流媒體服務推薦,；當然還有工業(yè)制造。

隨著工業(yè)4.0在2010年代早期進一步演進,，使得AI在制造環(huán)境中的重要性與日俱增,。如今，許多應用都會利用AI來促進制造和業(yè)務經營,、流程,、安保和供應鏈等更加流暢高效。通過運用預測性算法,，AI可以監(jiān)控設備狀況,，優(yōu)化維護日程，最終還能預報機械故障,。

與制造相關的物料供應鏈管理也可以充分發(fā)揮預測算法的優(yōu)勢,，保障流程能夠順利、高效地持續(xù)運作,。AI算法還可以參考過往和現在的商業(yè)需求,，從而協助預測未來的業(yè)務。這些AI系統可以與供應鏈和庫存管理系統結合,，加快獲利時效,，降低間接成本。機器人早在工業(yè)3.0就成為了其中重要的組成部分,。而在我們即將迎來工業(yè)5.0之際,，這些機器人系統必須擁有適應性的AI算法（主要為DL算法）。它們不僅需要自主學習,，還必需能夠解讀人類的實時輸入,。低時延的實時適應能力也將成為不可或缺的要素。

AI之外的生態(tài)系統組件

在持續(xù)興旺發(fā)展的工業(yè)4.0和正在演進的工業(yè)5.0中,，AI依然是一個重要的組成部分,。然而,，AI算法的蓬勃發(fā)展離不開實時數據。物聯網（IoT）是由互聯的電子設備組成的系統,，可以從模擬和數字世界中獲取與接收數據,。時間、壓力,、溫度,、速度、角度及視聽數據源必須經過采集,，隨后轉換成結構化數據,，各類基于AI的系統才能對其進行分析和控制。和4G網絡相比,，自2019年起部署的5G網絡（在韓國率先部署）可提供100倍的帶寬（最高可達10 Gbps）和500倍的信道數量,。5G網絡與IoT結合之后，海量的輸入數據在計算機領域中引出了一種新范式,，即對數據加速器的需求,。

數據加速器

在海量的數據面前，數據中心處理數據的負擔以及發(fā)現數據背后的意義這些工作,，已經令傳統的計算服務器模式不堪重負,。過去應對數據激增的方法就是在數據中心增添服務器。服務器安裝規(guī)模的提升不僅提高了資本性支出,，再加上設備的運行和冷卻需要消耗更多能源,，營運性支出也隨之水漲船高。

取決于數據加速器的類型與負載,，服務器中單個數據加速器的運算能力可以與15臺服務器匹敵,，從而大幅削減了資本性支出和營運性支出?；谟布臄祿铀倨鬟€帶來了更多效益,，例如較低的時延和更高的穩(wěn)定性，這在車輛自動駕駛,、工業(yè)4.0/5.0,、金融服務和其他對時延要求較高的用例中效果尤為突出。優(yōu)秀的數據加速器還有最后一項特征,，它具備了出色的靈活性,，能夠適應ML/DL算法的變化，包括算法本身的調整,、負載的變化和/或ML/DL算法數據集的更新。

數據加速的賽場上有三種各異的硬件方式,，即GPU,、FPGA和定制ASIC,。如下圖所示。CPU的靈活性始終是最出色的,，但與其他專用數據加速器相比,，在能耗、性能和成本方面存在一定的劣勢,。其它選項便是GPU,、ASIC和FPGA。ASIC的效率與性能最為出色,，但功能完全固定,，缺乏必需的靈活性，無法適應AI算法的變化,、新興技術的參數改動,、供應商要求和負載優(yōu)化。GPU是傳統核心數據中心的主力,，僅限于純粹運算這樣的使用場景,，而不能提供大多數場景中需要利用到的聯網與存儲加速的能力，并且能耗和成本較高,。FPGA可以加速聯網,、運算和存儲，速度與ASIC相仿,，也具備了必需的靈活性,，能夠為如今的核心與邊緣數據中心提供理想的數據加速。除了數據加速之外,，FPGA還將在傳感器融合和傳入數據流合并等領域發(fā)揮關鍵作用,，為數據消費打下了堅實的基礎。

圖3：CPU,、GPU,、FPGA和ASIC的對比

Achronix提供的精選產品

Achronix為AI/ML運算、聯網和存儲應用開發(fā)了基于FPGA的數據加速產品,。與其他高性能FPGA企業(yè)不同,，Achronix可同時提供獨立FPGA芯片和嵌入式FPGA半導體知識產權（IP）解決方案。除了獨立的FPGA芯片和eFPGA IP之外,，Achronix還提供基于PCIe的加速卡,，可用于開發(fā)、實地測試或生產等應用場景,。

采用臺積電7納米工藝打造的Speedster?7t系列FPGA擁有業(yè)界最快的輸入/輸出速度,，可支持400 GbE、PCIe Gen5和雙存儲接口：標準DDR4和GDDR6存儲接口可以帶來的驚人速度,，相較于DDR4提高了600%,。如果數據無法輕松通達FPGA邏輯陣列,，高速接口便無法發(fā)揮太多作用。

為了避免遇到這一瓶頸,，Achronix從架構增加了二維片上網絡（2D NoC）,，能夠有效充當所有外部輸入/輸出數據的高速通道，增強了FPGA內部的功能單元塊和FPGA邏輯陣列本身,。這種2D NoC實現了超過20 Tbps的雙向帶寬,，遠遠超過了輸入/輸出和功能塊的總帶寬需求，消除了片內通信的時延問題,。

在對成本,、性能與能耗有較高敏感度的大批量應用場景中，用戶通常會采用ASIC,，但這時又該如何滿足對靈活性的需求呢,？無論是算法的演變、需求變化,、供應商和經營者的具體要求,、協議適配，還是功能系統單元塊的多樣接口,，它們都對靈活性提出了一定程度的要求,。

Speedcore? eFPGA IP便是這一問題的最終答案，它可令ASIC能夠具備“恰到好處”的靈活性,。其中查找表（LUT）,、內存、DSP/MLP和2D NoC的資源量與組合方式可由ASIC開發(fā)者決定,，Achronix則會為他們的ASIC或SoC設計提供集成在芯片上的定制IP,。

VectorPath?加速卡是采用PCIe外形結構的硬件加速平臺，可以考慮用作評估,、開發(fā)與現場測試工具,，或也可以用于量產應用。該解決方案也可以根據用戶的具體要求量身定制,。

結語

AI,、ML和DL將繼續(xù)推動工業(yè)4.0和5.0的發(fā)展，使生產力與效率更上層樓,。在IoT和5G技術的協助下,，自動化和機器人將與人類的奇思妙想和創(chuàng)造力融為一體，孕育出人類在10年前未曾想象的制造環(huán)境,。FPGA促成了傳感器融合,，能夠與眾多物聯網設備連接，充分把握制造環(huán)境下人工智能系統所需的高性能與靈活性之間的平衡,。