赛灵思FPGA的可重配置加速特性被广泛利用起来_技术

FPGA 特有的可重编程性可提供高性能和高灵活性，同时还能加速超大规模数据中心的创新

概述

数据类型复杂的工作负载加速，是超大规模云、电子商务和社交网络数据中心正越来越多面的难题，例如 4K 视频和自然语言。这类数据处理往往超出了传统 CPU 的处理能力。号称“超七大”数据中心公司的阿里巴巴、亚马逊、百度、脸书 (Facebook)、谷歌、微软和腾讯对这个问题特别敏感。在这些公司中 , 这些新应用往往需要数千台加速的应用服务器来支持。

虽然 GPU 和专用集成电路 (ASIC) 等特殊用途的硬件能有效地为这些代码加速，但快速变化的先进算法会让一款专用加速刚一完成开发、测试、投产，就很快过时。对ASIC 来说，过时最容易。因此许多超大规模数据中心公司把目光投向了现场可编程门阵列 (FPGA)。这是一种专用可重编程硬件 , 能通过低功耗、高度灵活的硬件平台提供专用加速的性能优势，支持更快创新。

为更好地满足这一新兴市场需求，在 FPGA 市场中占有巨大市场份额并居技术领先地位的赛灵思近期宣布推出可重配置加速堆栈，初步针对三大计算密集型应用：机器学习、数据分析和流媒体视频直播。借助这些新型解决方案，赛灵思旨在通过提供用于超大规模数据中心中部分增长速度最快的工作负载的各种库、开发工具和参考设计，降低阻碍 FPGA 通用的编程门槛，并帮助赛灵思客户加速产品上市进程。

赛灵思的数据中心加速战略

据赛灵思介绍，赛灵思加速堆栈（图 1）结合使用 UltraScale FPGA 和一种面向快速演进的工作负载和算法的高灵活可重编程平台，可提供比传统 CPU 高出 20 倍的加速性能。

图 1：赛灵思加速堆栈

在体育赛事和电脑游戏活动直播不断风靡的推动下，视频直播迎来大发展，并对提供这些服务的数据中心提出了巨大需求。与此类似，AI 的使用也正迎来五花八门的各种应用，提供海量数据用于培训神经网络，供其学习和识别数据中的模式。受训网络随后可用于图像识别、自动驾驶、搜索优化和自然语言翻译等多种不同应用中。在这两大领域中，数据中心越来越多地使用专用加速来实现对用户查询的低延迟响应。今天在数据中心中，使用 FPGA 并不新鲜。它们已经广泛应用于网络和存储等应用，例如加速、智能 NIC、NFV、压缩、安全性和闪存阵列。微软近期宣布为加速搜索工作负载，将在其 Bing 搜索和 Azure Cloud 应用中广泛使用 FPGA。微软指出，之所以部署 FPGA 这类加速，而不采用针对特定工作负载的固定功能 ASIC 或 GPU，关键是因为 FPGA 具有高度的灵活性和可重编程性。

赛灵思期望借助这个新型的、用于数据中心工作负载加速的可重配置加速堆栈，加速FPGA 在数据中心中的更广泛应用。该产品专为世界最大的数据中心而设计，例如阿里巴巴、亚马逊、百度、Facebook、谷歌、微软和腾等“超七大”数据中心公司。赛灵思的战略是既要充分利用 FPGA 的灵活性、性能和计算效率，同时又要让该技术随着业务需求变化易于开发、部署和演进。

众所周知，FPGA 一直存在编程难的问题，需要同时兼具软硬件技能的紧缺人才。“加速堆栈”的推出意味着赛灵思提供的不止是 FPGA，它还提供优化的数学函数库与应用函数库、软件框架实现方案、支持 OpenC++L 和 C/C++ 等高级语言的工具、便于配置和管理的 Openstack 支持，以及预期的加速板参考设计。该加速堆栈旨在实现加速平台和应用的快速开发与部署，同时还通过可重编程功能和可重配置功能不断增强特性。

赛灵思针对超大规模数据中心领域发展最快的三种工作负载推出该加速堆栈战略。其一是机器学习，其作为底层算法和新应用而兴起，不断帮助改善广告宣传、客户互动和新的客服。其二是高清视频流，尤其是在游戏即服务市场。在这个市场中视频编解码加速要求的计算性能超过了标准的 x86 CPU 所提供的性能水平。其三，超大规模应用中广泛使用的 SQL 查询加速。

机器学习加速

使用神经网络分类图像、翻译文本和语音、识别无结构数据中的底层模式，需要“两阶段”法。第一阶段，使用海量加标记的样本数据和计算培训神经网络。一旦网络培训完，便进入第二个阶段 ( 即推断阶段 ), 通过受训的神经网络处理新数据样本或查询，以确定其可能的级别。推断是当今最大规模数据中心中的一个巨大的工作负载，因为它负责实现广泛的日益扩展的重要应用，例如语言翻译、自然语言接口、照片和视频内容识别，以及网上产品选择与促销。其中两个最大的人工智能市场分别是无人驾驶汽车和机器人，它们即将驶上世界各地的公路或是出现在世界各地的工厂里。在这两大领域，赛灵思已有良好的定位。公司的产品已应用到 23 家汽车制造商的高级驾驶员辅助系统(ADAS) 中和世界各地的 85 种车型中（图 2）。