在今天，几乎在每一个行业中都能找到人工智能(AI)的身影，AI正真切地改变着人们日常生活的诸多方面。2018年7月，FPGA巨头赛灵思宣布收购深鉴科技，正式进军AI领域。2019年，赛灵思推出Vitis统一软件平台，无需专业硬件知识，开发者就可以用软件或算法代码自动适配和使用赛灵思硬件架构，以此支持软件工程师和 AI 科学家在内的广大开发者突破藩篱，踊跃创新。2020年，赛灵思Vitis不断更新并推出Vitis AI等版本，持续驱动更多的开发者借助硬件加速的力量，解决现实中不同工作负载带来的痛点。近日，更是联手Hackster.io在全球范围内推出令所有开发者瞩目的赛灵思自适应计算挑战赛(Xilinx Adaptive Computing Challenge)，借先进的开发板、专业的技术专家团队和数十万美元丰厚奖金，揭开全球独立开发者和初创企业基于自适应计算平台竞技的序幕。

大大降低应用门槛的工具和软件，如火如荼的竞赛战鼓，整合深鉴科技两年的赛灵思将在AI领域掀起怎样的波澜?让我们从赛灵思产品市场营销、AI、软件和生态系统总监Nick Ni的视角，了解赛灵思对于AI产业与发展趋势的洞察，以及赛灵思持续加注AI领域的举措与自适应计算的优势。

EET：很多企业都在举办开发者竞赛，赛灵思的初衷是什么?

Nick Ni：赛灵思自适应计算挑战赛不仅面向独立开发者，也面向广大初创企业。在开发者挑战赛中，开发者可以使用 Vitis/Vitis AI 在三个平台中选定其一开发应用，包括Zynq UltraScale+ MPSoC ZCU104 评估套件、Alveo U50 加速器卡和Avnet Ultra96-V2 开发板(8月15日之前可以申请免费租借硬件)。无论是智慧城市、ADAS、机器人视觉、医疗成像等智能视频分析，还是金融科技、机器学习、计算存储等工作负载加速，再或者是任意物联网应用，我们都鼓励开发者充分发挥Vitis和Vitis AI的出色能力，采用新颖、创新的方式解决实际问题。我们为三个平台的冠、亚、季军共计准备了 5.4 万美元的奖金!初创企业挑战赛冠亚季军的总价奖金额更是超过15万美元。感兴趣的朋友可以前往赛灵思网站了解详情。

EET：您如何看待目前AI市场的发展情况?

Nick Ni：众所周知，AI 有两个截然不同的阶段——训练和推断。AI训练已经相对成熟，并且目前正为AI产业贡献大部分收入。相比而言，AI推断只能算是处于起步阶段。但是随着AI模型逐渐“产品化”，也就是将AI 模型转化为可投产的 AI 应用，AI 推断所带来的收入有望很快超越 AI 训练收入。

尽管如此，AI推断仍存在大量的创新和改善空间。与常规算法相比，现代 AI 模型所需的算力面临数量级增长，数据流中的每种 AI 模型也都承担着沉重负荷并日益复杂化，由此导致AI 推断对硬件的需求随之大幅增长。如何才能让硬件跟上不断增长的 AI 推断需求呢?我们的答案是DSA(特定领域架构)。DSA 代表着未来计算趋势，因为它是为“每种类型的工作负载”定制自适应硬件，以实现最高的运行效率。

EET：DSA对于AI推断的意义在于什么?

Nick Ni：每个 AI 网络都具备三种需要适配和定制才能实现最高效率的计算组件，即定制数据路径、定制精度和定制存储器层级。大多数新兴 AI 芯片都配备了功能强大的引擎，但因为在这三个方面的低效性而无法快速地传输数据。每种 AI 模型所需的DSA架构各有差异，有时略有不同，有时却千差万别。定制数据路径要同步所有层的数据处理，确保数据一直可用于开始下一层的处理;定制精度根据最近的研究证实，要在每个网络中的一个混合精度组合的最佳点上才能实现最高效率;定制存储器层级为例作为最为关键的组件，同时也最需要硬件灵活应变能力，需要从内部存储器到外部 DDR/HBM 建立定制存储器层级，才能满足这样的层间存储器传输需求。

图：DSA中，每个 AI 网络都具备三种需要定制的组件

EET：如何看待AI 产品化的崛起?

Nick Ni：由于每个 AI 模型都需要定制 DSA 才能发挥最高效率，AI 的应用用例正在快速增长。基于 AI 的分类、对象检测、细分、语音识别和推荐引擎只是其中一些已经实现产品化的 AI 用例，如今每天都在涌现大量全新的应用。另外，这种复杂的增长背后还蕴含着另一个维度：在每个应用内部，有更多模型被开发出来，或用于提高准确性，或用于简化模型。相比于需要重新设计新的 ASIC、CPU 和 GPU，赛灵思 FPGA 和自适应计算器件能够在单节点/单器件内从硬件架构到软件层适配最先进的 AI 网络，无疑将为厂商节省巨大的巨大的成本和时间。

EET：如何化解“AI 产品化”难题?

Nick Ni：持续的AI用例创新给现有硬件带来巨大压力，也迫使芯片厂商快速创新。同时，技术趋势的不断演变也推升了对新 DSA 的需求。与先进的 GPU 相比，赛灵思 FPGA 和自适应计算器件的内部存储器是其 8 倍，且存储器层级完全可由用户定制。对于深度卷积等现代网络而言，这是实现硬件“可用”TOPS 的关键。用户可编程 FPGA 逻辑允许以最高效的方式实现定制层，从而避免其成为系统瓶颈。对于稀疏神经网络，赛灵思长期以来一直在部署大量基于稀疏矩阵的信号处理应用，例如通信域应用。用户能够在 FPGA 架构中设计专用编码器、解码器和稀疏矩阵引擎。最后对于二进制和三进制，赛灵思 FPGA 使用查找表 (LUT) 实现位级操作，在使用二进制替代整数 8 位时，可获得接近 1PetaOps (1000 TOPS) 的性能。运用所有的硬件自适应特性，可以在所有现代 AI 推断工作负载中发挥出接近 100% 的硬件峰值性能。

现在通过使用软件开发解决方案，就能让赛灵思器件具备这样的能力。赛灵思已开发出新的统一软件平台 Vitis™，它将 AI 和软件开发合二为一，便于开发者使用 C++/python、AI 框架和库为他们的应用加速。

图：Vitis 统一软件平台。