儘管模仿人類思想和想法的軟體演算法是人工智慧的基礎，但硬體也是一個重要組成部分，這就是現場可程式設計門陣列 （FPGA） 和圖形處理單元（GPU）發揮重要作用的地方。
人工智慧 （AI） 是指能夠以與人類相同的方式做出決策的非人類機器智慧。 這包括沉思、適應能力、意圖能力和判斷力。機器視覺、機器人自動化、認知計算、機器學習和計算機視覺都是人工智慧市場的應用。人工智慧正在汽車、消費電子、媒體和娛樂以及半導體等多個行業領域迅速獲得關注，預示著下一次偉大的技術變革。
半導體預計將在未來幾年持續增長。 隨著全球對機器學習裝置的需求不斷增長，許多屬於 EDA（電子設計自動化）、顯示卡、遊戲、多媒體行業的主要市場參與者正在投資提供創新的高速計算處理器。 雖然人工智慧主要基於模仿人類思想和想法的軟體演算法，但硬體也是一個重要組成部分。 現場可程式設計門陣列 （FPGA） 和圖形處理單元 （GPU） 是大多數 AI 操作的兩種主要硬體解決方案。 據先行研究組預測，2021年全球人工智慧硬體市場規模為104。1億美元，預計到2030年將達到892。2億美元，2022-2030年複合年增長率為26。96%。
FPGA 和 GPU 概述
FPGA 概述
具有可重新程式設計邏輯閘的硬體電路稱為現場可程式設計門陣列 （FPGA）。 當晶片在現場使用時，使用者可以透過覆蓋配置來設計獨特的電路。 這與不能重新程式設計的標準晶片形成對比。 使用 FPGA 晶片，您可以構建從簡單的邏輯閘到多核晶片組的任何東西。 FPGA 的使用非常流行，其中內部電路是必不可少的，並且預計會發生變化。 FPGA 應用涵蓋 ASIC 原型設計、汽車、多媒體、消費電子產品以及更多領域。根據應用要求，可選擇低端、中端或高階 FPGA 配置。 Lattice 半導體的 ECP3 和 ECP5 系列、Xilinx 的 Artix-7/Kintex-7 系列和 Intel 的 Stratix 系列是一些流行的低功耗和低設計密度的 FPGA 設計。
邏輯塊是使用具有有限輸入的查詢表 （LUT） 構建的，並使用基本儲存器（例如 SRAM 或快閃記憶體）來構建以儲存布林函式。 每個 LUT 都連結到一個多路複用器和一個觸發器暫存器以支援時序電路。 同樣，許多 LUT 可用於建立複雜的功能。
FPGA 更適合嵌入式應用，並且比 CPU 和 GPU 使用的功率更低。 這些電路不受 GPU 等設計的限制，可用於定製資料型別。 此外，FPGA 的可程式設計性使得修改它們變得更加簡單。
使用 FPGA 的優勢
高效節能
藉助 FPGA，設計人員可以精確調整硬體以滿足應用程式的要求。 憑藉其低功耗能力，可以最大限度地降低 AI 和 ML 應用程式的整體功耗。 這可以延長裝置的使用壽命並降低培訓的總體成本。
易於靈活
FPGA 為處理 AI/ML 應用程式提供了可程式設計性的靈活性。 可以根據需要對一個單獨的塊或整個塊進行程式設計。
減少延遲
FPGA 擅長處理短語並減少延遲。 減少延遲是指計算系統以最小延遲響應的能力。 這在影片監控、影片預處理和後處理以及文字識別等實時資料處理應用中至關重要，在這些應用中，每一微秒都至關重要。 因為它們在沒有作業系統的裸機環境中執行，所以 FPGA 和 ASIC 比 GPU 更快。
並行處理
FPGA 的操作和能源效率由於它們能夠同時執行多項任務甚至指定裝置的特定部分用於特定功能而得到顯著提高。 少量分散式記憶體包含在 FPGA 特殊架構的結構中，使它們更接近處理器。
GPU 概述
圖形處理單元 （GPU） 的最初目的是建立計算機圖形和虛擬現實環境，這些環境依賴於複雜的計算和浮點功能來渲染幾何物件。 沒有它們，現代人工智慧基礎設施將不完整，並且非常適合深度學習過程。
人工智慧需求大量資料可供研究和學習以取得成功。 要執行人工智慧演算法並移動大量資料，需要大量的計算能力。 GPU 可以執行這些任務，因為它們的建立是為了快速處理生成圖形和影片所需的大量資料。 它們在機器學習和人工智慧應用中的廣泛使用部分歸功於它們的高計算能力。
GPU 可以同時處理多項計算。 因此，可以分散式訓練程式，從而大大加快機器學習活動。 使用 GPU，您可以新增多個資源需求較低的核心，而不會影響效能或功率。 市場上有各種型別的 GPU，通常分為以下幾類，例如資料中心 GPU、消費級 GPU 和企業級 GPU。
使用 GPU 的優勢
記憶體頻寬
GPU 具有良好的記憶體頻寬，因此在深度學習應用程式中它們往往可以快速執行計算。 在大型資料集上訓練模型時，GPU 消耗的記憶體更少。 憑藉高達 750GB 的記憶體頻寬，它們可以真正加速 AI 演算法的快速處理。
多核
通常，GPU 由許多可以組合在一起的處理器叢集組成。 這使得可以極大地提高系統的處理能力，特別是對於具有並行資料輸入、卷積神經網路 （CNN） 和 ML 演算法訓練的 AI 應用程式。
靈活性
由於 GPU 的並行能力，您可以將 GPU 分組到叢集中並在這些叢集之間分配作業。 另一種選擇是使用具有專用叢集的單個 GPU 來訓練特定演算法。 具有高資料吞吐量的 GPU 可以並行地對許多資料點執行相同的操作，從而使它們能夠以無與倫比的速度處理大量資料。
資料集大小
對於模型訓練，AI 演算法需要大量資料集，這會導致記憶體密集型計算。 GPU 是高效處理具有許多大於 100GB 的資料點的資料集的最佳選擇之一。 自並行處理開始以來，它們提供了有效處理基本相同或非結構化資料所需的原始計算能力。
執行 AI 應用程式的兩個主要硬體選擇是 FPGA 和 GPU。 儘管 GPU 可以處理 AI 和深度學習所需的海量資料，但它們在能效、熱問題、耐用性以及使用新 AI 演算法更新應用程式的能力方面存在侷限性。 FPGA 為神經網路和 ML 應用程式提供了顯著優勢。 這些包括易於 AI 演算法更新、可用性、耐用性和能源效率。
此外，在為 FPGA 建立軟體方面取得了重大進展，這使得編譯和程式設計變得更加簡單。 為了讓您的 AI 應用程式取得成功，您必須調查您的硬體可能性。 正如所說，在確定行動方案之前，請仔細權衡您的選擇。
炒股開戶享福利，入金抽188元紅包，100%中獎！
開啟App看更多精彩內容
