2024年FPGA将如何影响AI？

在半导体领域，大部分对于AI的关注都集中在GPU或专用AI加速器芯片（如NPU和TPU）上。但事实证明，有相当多的组件可以直接影响甚至运行AI工作负载。FPGA就是其中之一。

对于那些了解FPGA灵活性和可编程性的人来说，这并不令人惊讶，但对许多其他人来说，这两者之间的联系可能并不明显。问题的关键在于通过软件让一些经典的AI开发工具（如卷积神经网络（CNN））针对FPGA支持的可定制电路设计进行优化。

FPGA还可以创建多个并行计算流水线（在概念上类似于GPU提供的功能），这对于作为众多AI算法核心的矩阵乘法计算类型来说非常有用。此外，FPGA架构设计的灵活性可用于在芯片上分配存储块，从而优化数据传输——这是对AI软件的另一个关键需求。

在AI模型方面，莱迪思的sensAI解决方案可以使用在TensorFlow、Caffe和Keras等行业标准AI框架中训练过的模型，并利用模型量化、剪枝和稀疏性利用等技术，使其在FPGA资源上运行。然后，莱迪思神经网络编译器可以分析模型，并根据电路和片上网络的类型提出建议，以最有效地运行。在软件方面，莱迪思的Propel和Radiant芯片设计软件可用于创建合适的电路组合，以尽可能高能效的方式加速这些模型的运行。

在创建这些芯片设计时，公司不必从头开始，而是可以利用莱迪思专门构建的关键IP模块，例如其CNN加速器系列。这些预构建的电路集为各种应用提供了核心基础，包括人员和物体检测、物体分类、关键词识别等。此外，由于FPGA的可编程特性，可以编辑和添加这些IP模块，以满足特定应用的要求。

这种预构建IP模块组合的一个容易被忽视但非常重要的意义在于，它能帮助更多开发者创建自定义FPGA。这一点至关重要，因为许多人承认FPGA虽然具有强大、灵活的特性，但编程困难。开发FPGA设计核心的专用RTL代码一直是少数人才能完成的专业任务，因此需要为芯片设计人员提供适合的工具，从而以搭建乐高积木的方式将预构建的组件连接在一起，让开发变得更加简单，帮助更广泛的人群创建在FPGA上运行的AI模型。

事实上，正是归功于这种简化，FPGA在AI应用中的应用潜力才能如此多样化。随着各行各业的公司争先恐后地研究如何最好地将人工智能应用于从汽车、医疗、消费电子、工业等领域，将有更广泛的潜在客户群将寻求半导体解决方案来实现这些功能。虽然在过去，其中一部分人可能已经知道或考虑将FPGA作为一种潜在的选择，但莱迪思半导体提供的产品可以使FPGA成为更多群体信赖的强大选择。

毫无疑问，2024年会看到人们大量将人工智能特性和功能集成到更广泛的应用中。令人兴奋的是，FPGA最终可能会成为这一浪潮的强大推动力。