随着新一年的到来，科技界有壹个话题似乎难以避开：人工智能。事实上，各家企业对于人工智能谈论得如此之多，没有热度才不正常!

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，有等于多的组件可以直接影响甚至运行AI职业负载。FPGA就是其中其中一个。

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，这两者之间的联系也许并不明显。难题的决定因素在于通过软件让一些典范的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特别有用。除了这些之后，FPGA架构设计的灵活性可用于在芯片升分配存储块，从而优化数据传输——这是对AI软件的另壹个决定因素需求。

多年来，莱迪思半导体一直致力于开发能够实现这些类型功能的软件工具，并拥有一整套产品。从将现有或新构建的AI模型调整为在其低功耗设计上顶尖效运行的格式，到创建对这些模型最有效的电路和芯片设计，这些应用几乎可以胜任任何职业。这种完整的闭环体系将极大帮助企业将人工智能功能集成到其设备和其他硬件中。

在AI模型方面，莱迪思的sensAI化解方法可以运用在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。接着，莱迪思神经网络编译器可以解析模型，并根据电路和片上网络的类型提出提议，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，以尽也许高能效的方法加速这些模型的运行。

在创建这些芯片设计时，企业不必从头开始，而是可以利用莱迪思专门构建的决定因素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、决定因素词识别等。除了这些之后，由于FPGA的可编程特性，可以编辑和添加这些IP模块，以满足特定应用应用的标准。

这种预构建IP模块组合的壹个容易被忽视但特别重要的意义在于，它能帮助更多开发者创建自定义FPGA。这一点至关重要，由于许多人承认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法将预构建的组件连接在一起，让开发变得更加简单。

同样，莱迪思还赋予许多软件开发人员已经熟悉的传统AI框架(如 TensorFlow)的能力，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。随着各行各业的企业争先恐后地研究怎样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化解方法来实现这些功能。虽然在过去，其中一部分人也许已经了解或思考将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成为更多群体信任的强大选择。

毫无疑问，2024年会看到大众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最终也许会成为这一浪潮的强大推动力。

（来源：莱迪思供稿）