FPGA 特有的可重編程性可提供高性能和高靈活性，同時還能加速超大規模數據中心的創新

概述

數據類型復雜的工作負載加速，是超大規模云、電子商務和社交網絡數據中心正越來越多面的難題，例如 4K 視頻和自然語言。這類數據處理往往超出了傳統 CPU 的處理能力。號稱“超七大”數據中心公司的阿里巴巴、亞馬遜、百度、臉書 (Facebook)、谷歌、微軟和騰訊對這個問題特別敏感。在這些公司中 , 這些新應用往往需要數千臺加速的應用服務器來支持。

雖然 GPU 和專用集成電路 (ASIC) 等特殊用途的硬件能有效地為這些代碼加速，但快速變化的先進算法會讓一款專用加速器剛一完成開發、測試、投產，就很快過時。對ASIC 來說，過時最容易。因此許多超大規模數據中心公司把目光投向了現場可編程門陣列 (FPGA)。這是一種專用可重編程硬件 , 能通過低功耗、高度靈活的硬件平臺提供專用加速器的性能優勢，支持更快創新。
?

為更好地滿足這一新興市場需求，在 FPGA 市場中占有巨大市場份額并居技術領先地位的賽靈思近期宣布推出可重配置加速堆棧，初步針對三大計算密集型應用：機器學習、數據分析和流媒體視頻直播。借助這些新型解決方案，賽靈思旨在通過提供用于超大規模數據中心中部分增長速度最快的工作負載的各種庫、開發工具和參考設計，降低阻礙 FPGA 通用的編程門檻，并幫助賽靈思客戶加速產品上市進程。

賽靈思的數據中心加速器戰略

據賽靈思介紹，賽靈思加速堆棧（圖 1）結合使用 UltraScale FPGA 和一種面向快速演進的工作負載和算法的高靈活可重編程平臺，可提供比傳統 CPU 高出 20 倍的加速性能。

圖 1：賽靈思加速堆棧

在體育賽事和電腦游戲活動直播不斷風靡的推動下，視頻直播迎來大發展，并對提供這些服務的數據中心提出了巨大需求。與此類似，AI 的使用也正迎來五花八門的各種應用，提供海量數據用于培訓神經網絡，供其學習和識別數據中的模式。受訓網絡隨后可用于圖像識別、自動駕駛、搜索優化和自然語言翻譯等多種不同應用中。在這兩大領域中，數據中心越來越多地使用專用加速器來實現對用戶查詢的低延遲響應。今天在數據中心中，使用 FPGA 并不新鮮。它們已經廣泛應用于網絡和存儲等應用，例如加速、智能 NIC、NFV、壓縮、安全性和閃存陣列。微軟近期宣布為加速搜索工作負載，將在其 Bing 搜索和 Azure Cloud 應用中廣泛使用 FPGA。微軟指出，之所以部署 FPGA 這類加速器，而不采用針對特定工作負載的固定功能 ASIC 或 GPU，關鍵是因為 FPGA 具有高度的靈活性和可重編程性。

賽靈思期望借助這個新型的、用于數據中心工作負載加速的可重配置加速堆棧，加速FPGA 在數據中心中的更廣泛應用。該產品專為世界最大的數據中心而設計，例如阿里巴巴、亞馬遜、百度、Facebook、谷歌、微軟和騰等“超七大”數據中心公司。賽靈思的戰略是既要充分利用 FPGA 的靈活性、性能和計算效率，同時又要讓該技術隨著業務需求變化易于開發、部署和演進。

眾所周知，FPGA 一直存在編程難的問題，需要同時兼具軟硬件技能的緊缺人才?！凹铀俣褩！钡耐瞥鲆馕吨愳`思提供的不止是 FPGA，它還提供優化的數學函數庫與應用函數庫、軟件框架實現方案、支持 OpenCL 和 C/C++ 等高級語言的工具、便于配置和管理的 Openstack 支持，以及預期的加速器板參考設計。該加速堆棧旨在實現加速平臺和應用的快速開發與部署，同時還通過可重編程功能和可重配置功能不斷增強特性。

賽靈思針對超大規模數據中心領域發展最快的三種工作負載推出該加速堆棧戰略。其一是機器學習，其作為底層算法和新應用而興起，不斷幫助改善廣告宣傳、客戶互動和新的客服。其二是高清視頻流，尤其是在游戲即服務市場。在這個市場中視頻編解碼加速要求的計算性能超過了標準的 x86 CPU 所提供的性能水平。其三，超大規模應用中廣泛使用的 SQL 查詢加速。

機器學習加速

使用神經網絡分類圖像、翻譯文本和語音、識別無結構數據中的底層模式，需要“兩階段”法。第一階段，使用海量加標記的樣本數據和計算培訓神經網絡。一旦網絡培訓完，便進入第二個階段 ( 即推斷階段 ), 通過受訓的神經網絡處理新數據樣本或查詢，以確定其可能的級別。推斷是當今最大規模數據中心中的一個巨大的工作負載，因為它負責實現廣泛的日益擴展的重要應用，例如語言翻譯、自然語言接口、照片和視頻內容識別，以及網上產品選擇與促銷。其中兩個最大的人工智能市場分別是無人駕駛汽車和機器人，它們即將駛上世界各地的公路或是出現在世界各地的工廠里。在這兩大領域，賽靈思已有良好的定位。公司的產品已應用到 23 家汽車制造商的高級駕駛員輔助系統(ADAS) 中和世界各地的 85 種車型中（圖 2）。

圖 2：無人駕駛傳感器和處理器