大數(shù)據(jù)量進一步推動集中式計算

作者/Achronix市場營銷副總裁 Steve Mensor

近10年來，大家看到集中式計算已實現(xiàn)了大幅的增長，大量數(shù)據(jù)都流向云端以利用其在專用數(shù)據(jù)中心中低成本處理的優(yōu)勢。這是一種似乎與計算領(lǐng)域總趨勢不一致的趨勢，總的趨勢是始于大型機卻逐漸移向周邊包圍型智能和物聯(lián)網(wǎng)（IoT）。隨著我們進入2018年，這種集中化將達到它的極限。驅(qū)動下一波應(yīng)用所需的數(shù)據(jù)量正在開始推動發(fā)展方向上的改變。

當前在企業(yè)生成數(shù)據(jù)中，僅有10%是在集中式數(shù)據(jù)中心之外被生成和被處理的。行業(yè)分析機構(gòu)Gartner預(yù)測這個數(shù)字將在2022年達到50%。這是一種必然的反轉(zhuǎn)，其推動因素是業(yè)界向超級連通信息物理系統(tǒng)的轉(zhuǎn)變。這一反轉(zhuǎn)將隨著諸如5G無線通信等技術(shù)的到來和新一波面向應(yīng)用的計算硬件浪潮的興起而實現(xiàn)。

物聯(lián)網(wǎng)的第一波浪潮就產(chǎn)出了眾多小型個體性數(shù)據(jù)項目，它們共同在大型數(shù)據(jù)中心中以最有效的方式被聚合和處理。但是隨著物聯(lián)網(wǎng)設(shè)備和越來越多的信息物理系統(tǒng)開始依賴于解讀更大量數(shù)據(jù)流的能力，重心就需要向邊緣轉(zhuǎn)移。

汽車行業(yè)提供了這種轉(zhuǎn)變的一個縮影，而我們將隨之在眾多行業(yè)中看到這種轉(zhuǎn)變。舉例來說，將來自于多輛汽車的GPS數(shù)據(jù)聚集在一起，就實現(xiàn)了交通堵塞的信息采集。再反送回車載單元，就可以引導駕駛員去駕行暢通的路線。數(shù)周的重復數(shù)據(jù)采集已經(jīng)顯現(xiàn)出更長期的效益。運行于數(shù)據(jù)中心的系統(tǒng)已經(jīng)從成千上萬車輛的通行狀況中獲知，在哪些高速的方式運轉(zhuǎn)。結(jié)果是更加精確、生動的數(shù)字地圖：所有功能都實現(xiàn)了，而且無需派遣大量的調(diào)查車輛。

在集中式服務(wù)器中維護數(shù)據(jù)只能走到這么遠?，F(xiàn)在，汽車制造商正快速轉(zhuǎn)向在他們的車輛中構(gòu)建更高等級的自動能力。讓計算機來控制駕駛的能力可以減少擁堵并縮短出行時間。如今，自動化駕駛員輔助系統(tǒng)（ADAS）大部分都包含智能化功能，由車載攝像頭和雷達系統(tǒng)所采集的場景信息完全在車輛內(nèi)進行處理，這些數(shù)據(jù)中的很小一部分會轉(zhuǎn)發(fā)至汽車制造商的服務(wù)器。轉(zhuǎn)發(fā)的數(shù)據(jù)可以用于更新維護數(shù)據(jù)庫以幫助實現(xiàn)預(yù)測性維護，以及收集ADAS軟件運行情況的統(tǒng)計數(shù)據(jù)。

還有更多可以使用的數(shù)據(jù)，但是帶寬和處理能力的限制阻礙了其使用，裝備ADAS系統(tǒng)的車輛每行駛1英里將產(chǎn)生大約10GB數(shù)據(jù)。這些信息會馬上被處理，然后會被快速遺棄；這些數(shù)據(jù)所包含的內(nèi)在信息可能對很多系統(tǒng)都有價值。數(shù)據(jù)太過密集，所以很難傳送至集中式云服務(wù)器。但是，更接近車輛的系統(tǒng)可以使用高速、高性價比的無線網(wǎng)絡(luò)，例如專為V2X通信設(shè)計的IEEE 802.11p協(xié)議，以獲取這些數(shù)據(jù)并基于它們做出有依據(jù)的決定。

隨著自主駕駛變得越來越普遍，路邊的信標和智能交通信號燈將與行駛的車輛配合以優(yōu)化道路使用。在一個簡單的場景中，通行車輛上的傳輸裝置會使用車聯(lián)網(wǎng)（V2X）將它們遇到的路面情況的數(shù)據(jù)傳遞給路邊信標。信標本身可以是孤立的，僅以低速方式連接至云端。信標可以使用其自身的計算能力來了解路面情況，并將信息傳送給另一個方向的通行車輛，而不必為了將數(shù)據(jù)傳送至云端進行處理而遺棄大量的數(shù)據(jù)。

相似地，智能交通信號燈將采集來自于車輛的數(shù)據(jù)和圖像，以有助于確定行人、其他弱勢道路使用者和車輛本身的位置。這將幫助它們的軟件就“它們應(yīng)該在何時變燈以實現(xiàn)最佳交通流量”這一問題做出智能的決策。路邊的信標和車輛也將開始互相配合以提供“一目了然”功能，從而通過確定最安全的操作時點來輔助超車和變道等駕駛行為。

隨著自主駕駛等級的提升，對于低延遲、實時響應(yīng)的需求變得更加至關(guān)重要。當車輛高速通行時，數(shù)毫秒都很重要。當今的無線網(wǎng)絡(luò)可能會有大約數(shù)百毫秒級的雙向延遲，而第五代移動通信（5G）已經(jīng)被重新架構(gòu)，以在僅僅1毫秒之內(nèi)對消息做出響應(yīng)。但是這種引人矚目的延遲改進需要與數(shù)據(jù)移向云端時所發(fā)生的延遲進行比較。

邊緣計算

為了支持毫秒級的響應(yīng)時間，計算資源需要被放置在更接近傳送點的位置，即位于網(wǎng)絡(luò)邊緣的“微云”上。微云所執(zhí)行的處理將包括大量的數(shù)據(jù)分析，這通?；跈C器學習技術(shù)。這種將人工智能（AI）技術(shù)推向網(wǎng)絡(luò)邊緣的趨勢，已經(jīng)隨著諸如亞馬遜云計算服務(wù)中的Greengrass（Amazon Web Services’ Greengrass）這樣的創(chuàng)新項目而發(fā)生了。這種服務(wù)原本被開發(fā)用來應(yīng)對物聯(lián)網(wǎng)服務(wù)發(fā)送數(shù)據(jù)到云時，可能出現(xiàn)的無論服務(wù)器資源是否可用都需要AI支持這一情況。

首先，這些機器學習算法的訓練將發(fā)生在核心云中，同時邊緣計算系統(tǒng)提供了能夠處理一些推理的任務(wù)，這樣也可以減輕云的能量需求。另外，連訓練過程也很可能移向邊緣，也還是因為數(shù)據(jù)的重心所致。即使有高比例數(shù)據(jù)壓縮，上傳足夠的數(shù)據(jù)以實現(xiàn)良好的訓練往往被證明是不現(xiàn)實的。

本地訓練也能使系統(tǒng)為它們所看到的情況、而非一個國家或者全球的平均值來修正自己的行為。智能交通信號燈可以學習本地的堵塞模式，或利用通行車輛的燃油效率追蹤來基于本地條件去優(yōu)化它們周邊的交通流量。

為了合理地服務(wù)這些多樣化的、需要快速響應(yīng)的應(yīng)用，微云或者邊緣計算機不能簡單地只是一個云服務(wù)器的規(guī)?？s小版。高性能是必需的，但是它要以一種緊湊、可靠、節(jié)能的形式來提供，這些系統(tǒng)很可能緊鄰像路邊的機柜一樣小的通信設(shè)備。即使是那些被部署在校園中的系統(tǒng)，將無法獲得與核心數(shù)據(jù)中心中的刀片服務(wù)器同等級的支持。

為了實現(xiàn)計算效率最大化，硬件加速技術(shù)將在邊緣計算機和微云中起到關(guān)鍵作用。在處理諸如實時機器學習等任務(wù)時，多核處理器本身會很慢且能耗很高。一種加速選擇可以是用一個通用圖形處理單元（GPGPU）或視覺處單元（VPU）來增強多核CPU。GPGPU和VPU被用于一些嵌入式系統(tǒng)中，來運行機器學習和數(shù)據(jù)分析算法，因為它們擁有高度并行化的浮點運算單元，可以為很多并行的神經(jīng)元集合多輸入，而且這種做法比CPU的集群要快得多；即便是高端CPU供應(yīng)商，也已經(jīng)在整合其大規(guī)模并行單指令多數(shù)據(jù)（SIMD）單元（如Intel的AVX512 和ARM的NEON）來彌補這種差距。

強調(diào)GPGPU中浮點運算的峰值性能，使得這種架構(gòu)不適合具有能量約束性系統(tǒng)，因為GPGPU通常需要將能耗等級維持在150W以上。甚至在機器學習中，使用GPGPU和VPU還會有一些缺點，這類器件的首要設(shè)計目的是加速涉及諸如卷積等操作的2D和3D圖形以及圖像應(yīng)用。它們將自己用于深度神經(jīng)網(wǎng)絡(luò)的卷積層，但是其他類型的操作會引起存儲訪問方面的麻煩。最高池化和全連接層將重點放在虛擬神經(jīng)元之間的數(shù)據(jù)傳輸上，使用了并不適合其存儲結(jié)構(gòu)的訪問模式。更進一步的問題是，它們將重點放在了浮點和矩陣運算上，使得GPGPU和VPU很難適合那些在邊緣計算機中需要加速的其他應(yīng)用?；诳删幊逃布翘幚砥鞯慕鉀Q方案則提供了自由度，可以優(yōu)化虛擬神經(jīng)元之間的數(shù)據(jù)傳輸?？删幊逃布€提供了自由度以適應(yīng)范圍更廣的、要求邊緣計算機去執(zhí)行的任務(wù)。

產(chǎn)品及技術(shù)方向

Achronix多年以來一直在為可編程邏輯領(lǐng)域提供創(chuàng)新，在性能、功耗和成本領(lǐng)先性方面樹立了行業(yè)標準。

2013年，Achronix發(fā)布了Speedster22i FPGA系列產(chǎn)品，從而推出了業(yè)內(nèi)最先進的FPGA產(chǎn)品，該系列帶有用于高性能有限應(yīng)用的嵌入式系統(tǒng)級知識產(chǎn)權(quán)（IP）產(chǎn)品。Speedster22i系列產(chǎn)品是首款特定應(yīng)用型FPGA芯片，支持了全新的、具有創(chuàng)新性的高性能可編程設(shè)計。

2016年10月，Achronix宣布其可集成至客戶SoC中的Speedcore嵌入式FPGA（eFPGA）IP產(chǎn)品開始供貨；在發(fā)布此消息時，Achronix已經(jīng)向多家客戶交付了Speedcore IP。從那時起，對Speedcore IP的需求空前高漲。Speedcore eFPGA IP是專為人工智能/機器學習（AI/ML）、高性能計算、汽車、5G無線通信和網(wǎng)絡(luò)等應(yīng)用設(shè)計的。它和Speedster22i FPGA基于同一種高性能架構(gòu)。

Achronix的所有產(chǎn)品都得到了我們自己強健的、經(jīng)過驗證的ACE設(shè)計工具的支持。ACE是一款功能強大的EDA工具，可以支持邏輯綜合、布局和布線，還可提供時序收斂和調(diào)試工具。ACE工具可免費用于評估。

Achronix最近宣布已完成一款在16nm工藝上驗證了 Speedcore的測試芯片，該芯片采用臺積電（TSMC）的16FFplus-GL工藝制造，擁有11層金屬疊層；其中的一個高性能Speedcore eFPGA內(nèi)核包含40，000個查找表、48個大小為20Kbit的RAM單元塊和72個DSP64單元塊。Achronix正在積極開發(fā)其7nm產(chǎn)品，并計劃也將于近期將該產(chǎn)品推向市場。

中國市場策略

2017年是Achronix取得突破性發(fā)展的一年，公司成為了全球增長速度最快的半導體公司之一。公司在2017年實現(xiàn)了巨大的增長，營業(yè)收入比上年增長7倍且超過1億美元。我們的所有產(chǎn)品都可為中國市場供貨，包括Speedcore、Speedster22i等等，中國是Achronix最重要的市場之一。

Achronix面向全球客戶提供產(chǎn)品和服務(wù)，在中國設(shè)有專門的銷售和應(yīng)用工程支持機構(gòu)。Achronix的客戶橫跨數(shù)個目標市場，從人工智能和機器學習到自動駕駛、高性能計算和5G無線通信均有所覆蓋。憑借特定領(lǐng)域的專業(yè)知識和客戶在這些目標應(yīng)用上取得的成功，以及強大的工程支持團隊，Achronix已經(jīng)完全做好準備來用自己基于FPGA的硬件加速技術(shù)和產(chǎn)品為中國半導體行業(yè)的快速增長提供鼎力支持。