至顶网服务器频道 (文/董培欣):
10月19日,由传统硬件开发拓展为硬件开发、应用软件开发、嵌入式软件开发的2017赛灵思开发者大会在北京召开。在会上赛灵思软件和IP产品开发部高级副总裁Salil Raje、战略市场开发总监Andy Walsh向我们展示了Xilinx FPGA如何通过从“硬”到“软”的技术发展路线,为机器学习、视频编码、数据分析乃至基因分析提供出更高效的计算处理能力。
赛灵思软件和IP产品开发部高级副总裁Salil Raje(右)、战略市场开发总监Andy Walsh(左)
通常提到FPGA,首先想到的是一款可编程的硬件产品,无论是用在嵌入式设备上,还是用在网络传输加速方面,与软件似乎都没有太多的直接联系。对于普通用户而言,要对FPGA产品进行应用,有两条鸿沟需要跨越:第一条是FPGA的硬件编程模式,将FPGA变为适于处理用户应用的硬件产品;第二条是开发相应的应用软件开发环境,需要打造软件工程师熟悉的设计环境让这个硬件产品可以为更广泛的软件及系统级工程师所用。
随着云计算技术的兴起,FPGA与用户应用之间的距离在被迅速拉近。本次赛灵思开发者大会,正是赛灵思引领FPGA应用迅速扩展的发展趋势,希望通过专家、成功用户和社区的共同努力, 驱动由传统硬件开发拓展至应用软件开发与嵌入式软件开发的发展进程。
通过Salil Raje总裁的介绍我们可以了解,目前越来越多的开发者和工程都会在赛灵思的MPSoC和SDSoC上开发应用,在云端赛灵思用SDAccel再加上可重配置加速堆栈 (RAS, Reconfigurable Acceleration Stack ) 帮助客户在云端开发应用,在云这个层面上赛灵思的SDSoC和加速堆栈使得IP可以作为处理器在云端运用。在未来五年里看到潜在的用户增加5倍,也就是服务25万的数量。赛灵思的目标市场,也扩展到自动驾驶汽车、无人机、监控以及所有视觉和机器学习等相关的应用之中。
为什么要使用FPGA?FPGA的应用可以为用户带来哪些方面的益处?会后的记者访谈中,Andy Walsh先生向我们进行了深入的分析。
通用计算能力的不足
CPU的优势在于,可以对多种应用业务进行处理。但不足之处在于,单核处理性能已经多年停滞不前、处理器的功耗问题也正在成为制约云计算计算能力的发展。而随着云计算中机器学习、视频转码、数据库加速等高性能计算业务发展,传统CPU架构已经难以负担这些类业务的应用处理,CPU架构正在触及计算能力的天花板。
此外,用户对应用业务的处理模式也在发生改变。以前通过本地硬件对业务应用进行处理,现在,有更多的计算业务是在云端通过云计算系统进行分析。另外,还有很多智能化设备的广泛运用,产生出海量信息需要即时在本地进行处理。而遭遇到性能瓶颈的CPU对这些应用处理需求,已经难以胜任。
FPGA为计算加速
随后Andy Walsh向大家展示了通过FPGA加速与服务器级CPU处理能力对比的情况:
深鉴科技利用FPGA进行机器学习推断的云识别,加速倍数是40倍。Ngcodec是做视频解码的企业,编码追诉率方面达到10倍加速。Ryft做大数据分析,这里提速是90倍。还有edico genome做基因组分析,用FPGA加速后,基因组分析的速度提升了一百倍。
当前Edico和费城儿童医院正准备利用AWS上部署的FPGA系统,准备创造新的基金测序基因分析记录。阿里云也正在建立基于赛灵思FPGA的F2与F3数据中心,此外百度云、华为云等云计算厂商也在进行着FPGA数据中心的建设和应用。正在为更多的用户提供具有更高计算能力的FPGA应用。下图展示了借助不断增加的超大型数据中心用户的合作,赛灵思通过每单个这样超大型客户,就能满足愈来愈多的应用开发企业(Apps))、软件及服务(SaaS)企业以及终端用户企业的需求,FPGA的用户群将因此成规模化发展。
高性能低功耗的FPGA产品与云计算系统的异构融合,可以为人们提供出更加智慧化的功能应用。让用户不再为专业的FPGA硬件设计而烦脑,可以轻松调用基于FPGA加速的功能应用。也正是赛灵思召开开发者大会的目的。相信随着FPGA在云计算系统中所占比重的提升,随着在终端、端点内利用FPGA芯片对数据应用加速的普及,智慧化的人工智能时代,必将加速向我们走来。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。