现代FGPA(现场可编程门阵列)已不仅仅是工程师可以随意定制的计算应用实时可编程芯片了。现代FPGA已经成了智能的、适应性极强的处理引擎了,这样的处理引擎对于新兴的机器学习和5G无线基础设施市场至关重要,原因是这些领域的发展和创新速度太快了。其他依靠FPGA技术推动创新的市场包括太空和卫星应用,但这两个领域在环境方面的要求则更严苛。Xilinx(赛灵思)今天宣布推出旗下新的20nm耐辐射Kintex UltraScale XQRKU060系列FPGA,该系列可望在诸多太空级应用的下一代设计中找到很好的定位。
尽管多家半导体OEM厂商已经在7nm(纳米)节点上推出了产品,而Xilinx新推出的Kintex UltraScale FPGA则采用了主力20nm工艺技术。20nm工艺听起来像是过气的芯片技术,但在太空方面,20nm工艺实际上是先进技术。太空级半导体芯片需具耐辐射性,必须使用高度可靠且经过验证的芯片制造技术。Xilinx的上一代太空级FPGA建在65nm节点上,新的20nm芯片技术将空间应用大幅推进了三代的工艺节点。简而言之,太空级部件不能够出故障、需要承受冲击、振动和辐射,同时体积要小包装要轻便,而且又要能提供高水平的计算和AI(人工智能)处理能力。 Xilinx表示,“ XQRKU060是业界唯一可以在无限太空轨道里真正的重配置解决方案。而且还能进行实时机载处理和机器学习加速,这些可以令卫星实时更新,能按需提供视频,并执行“及时”计算处理复杂的算法。”
太空级别Xilinx Kintex UltraSCALE耐辐射FPGA (图:Xilinx)
Xilinx 的Kintex XQRKU060在机器学习方面也是一流的,特别是边缘推理加速方面,这里的边缘或许可以说是“外太空”边缘。新型Xilinx XQRKU060可提供5.7 TOPs 尖峰INT8的性能并具有高度可扩展精度,内置密集的可编程逻辑阵列,数字信号处理(DSP)功能比上一代产品提高了10倍,还支持TensorFlow和PyTorch等机器学习开发工具。 Xilinx称,XQRKU060的机器学习吞吐量比上一代XQR5QV系列提高了近25倍。 Xilinx指,“XQRKU060的机器学习功能适用于解决各种问题,包括科学分析、对象检测和图像分类(例如云检测),可以提高处理效率并减少空间和地面决策延迟。”
此外,读者大可以想像得到,能在发射前及发射后在轨道上重新配置的功能很重要,是区分先进FGPA解决方案和普通解决方案的关键,原因是尖端的空间应用程序常常需要顺着各种曲线轨迹飞来飞去。换句话说,人工智能要能够学习、推断、分析,然后做出决定如何重新配置自身或交由工程师决定。这些听起来像是钢铁侠电影里的东西,是不是?
软件工具方面,Xilinx指XQRKU060会得到旗下成熟的Vivado设计套件的支持,Vivado套件同样也支持机器学习行业标准框架。另外,Xilinx旗下人工智能统一软件平台也有计划支持XQRKU060,芯片和生产级加速器板都会支持。
Xilinx指,20nm RT Kintex UltraScale太空级XQRKU060 FPGA(https://www.xilinx.com/products/silicon-devices/fpga/rt-kintex-ultrascale.htm)飞行元件将于今年9月下旬在MIL-PRF-38535规格设备里提供。
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。