2108年10月16日，賽靈思開發者大會在北京召開，本次大會有近千人參加，為廣大軟硬件、嵌入式開發者提供了一個面對面交流、學習、分享經驗的機會。賽靈思的專家團隊以及華為、阿里巴巴、浪潮等數十家國內外領先企業的專家匯聚一堂，與廣大開發者共同探討行業趨勢，分享設計經驗，展示先進案例。

在本次大會上賽靈思產品與技術市場營銷高級總監Kirk Saban與賽靈思軟件和IP產品部執行副總裁Salil Raje分別進行精彩主題演講。

一、顛覆性的創新

Kirk Saban在大會上說道：“現在的世界是一個互聯的世界，發展與創新的速度都是非常快的。我們每天都在面對海量的數據，單一的計算架構已經不能應對如此大規模的數據，需要各種各樣的計算架構彼此配合。”

如今的開發者結構發生了變化，不單單有硬件開發者，也涌現了很多軟件開發者。但是并不是所有的軟件開發者都熟悉硬件開發，他們需要有可以使其可以快速上手的平臺與工具，也需要相應的能力來優化產品性能并用在不同的工作負載中。

那么如何來解決這個問題呢？過去有三個解決方案：CPU、固定功能的加速器（像ASSP和GPU）與FPGA。但是就如今的技術發展程度來說，這三種解決方案或多或少的都存在不足，不能很好的應對各種各樣的問題。

為此，Kirk Saban向大家介紹了ACAP平臺與其首款產品Versal。ACAP是可擴展性非常高的、軟硬件都可編程的、高度集成的多核異構計算平臺。

因為ACAP的出現，未來的計算拉開了序幕，首款ACAP產品Versal應運而生。Versal具有異構處理能力，有多個不同類型的處理引擎，可以應對市場上多樣的工作負載。Versal有哪些特點呢？

1、標量處理引擎。Versal有雙ARM Cortex-A72應用處理器。嵌入式處理來自于ARM，擁有高性能的同時又支持非常廣泛的應用。雙ARM Cortex-R5實時處理器，適用于對安全性要求非常高的應用，而且有一些步驟鎖定功能可以進行平臺管理。

2、靈活應變的硬件引擎。靈活應變的硬件進行重新架構提高計算密度，能夠支持客戶內存層次結構，比如要求不同的內存層次結構高級機器學習和AI推斷部署和實施。

3、智能引擎。

●DSP引擎，DSP的引擎在Versal架構當中能夠實現高精度浮點和低時延，主要面向定制化數據路徑的粒度控制。

●AI引擎，能夠大大提高應用的AI推斷能力，專為AI推斷和高級信號處理工作負載而優化。

4、集成主機接口。PCIe Gen4x16，集成AXI-DMA。還有實現服務器級CPU，提供無縫加速CCIX。

5、集成各種協議引擎。包括100G多速率以太網，600G以太網和Interlaken，以及600G加密引擎（AES/IPSEC/MACSEC)

6、集成RF信號鏈。下一代GSPS直接射頻采樣ADC/DAC,集成DDC/DUC。面向5G和DOCSIS的SD-FEC。

7、可編程的I/O界面。支持傳感器的MIPI D-PHY大于3Gb/s；支持NAND和存儲級存儲器；包括LVDS和通用的I/O。

8、片上網絡（NOC）。本質上軟件可編程，簡單易用；高帶寬、低時延；與軟實現相比功率效率提升8倍，跨異構引擎仲裁。

9、此外還是可擴展的集成存儲器控制器與范圍最廣泛的收發器。

在賽靈思開發者大會上，主要兩個Versal Prime基礎系列與AI Core核心系列。

二、AI加速

在賽靈思開發者大會上，Salil Raje先生進行了主題為“AI加速”的精彩演講，激情描繪賽靈思靈活應變的新型器件將如何加速當今AI時代各種創新的整體應用，擁抱所有的開發者。

賽靈思軟件和IP產品部執行副總裁Salil Raje

Salil Raje談到AI人工智能有兩個階段，訓練和推斷。

在訓練的階段要將海量的數據放到模型當中，然后微調模型減少誤差。海量的數據在這個階段是至關重要的，相對而言延遲和功耗在訓練階段不是重要。而在推斷過程中，用到數據量比較少，在此階段延遲是極其關鍵的，甚至會成為一種制約。這是因為很多推斷引擎都是實時響應的，響應速度至關重要，這樣一來，功耗在這個階段也就顯得非常重要了。在過去幾年全球的關注點都集中在訓練上，但是今后AI模型必須應用在云端和邊緣的模型上，所以未來的模式更多的將是推斷。而賽靈思關注的就是推斷。

那么推斷這個模式將帶來哪些挑戰呢？第一是AI創新的速度。第二，低時延、高通量和高性能的要求。第三，低功耗。最后同樣是實現整體的應用加速。

那么賽靈思是怎么應對這些挑戰的呢？Salil Raje認為只有靈活應變的硬件才能應對推斷所面臨的挑戰，比如賽靈思的FPGA和ACAP。靈活應變的硬件的優勢在于：

1、自定義數據流。針對最先進的當前的網絡與最先進的技術變化，可以重新實施而不需要重新更換芯片；

2、自定義內存的層次結構。可以用更多的片上內存而不是DDR；

3、改善功耗和時延；

4、自定義精度。可以選擇網絡最合適的精度。

賽靈思開始創造的一個特定領域架構是DSA，這些DSA在FPGA或者ACAP器件上進行實施和部署，能夠在自定義的數據流、自定義的內存層次結構和自定義精度三個維度上進行優化。一旦在ACAP實施就可以將現有的網絡轉到DSA來實現AI模型。

而賽靈思收購了在DSA方面的領先企業——深鑒科技，深鑒科技有非常獨特的技術，可以自定義數據流來適用大家所需要的網絡。此外，深鑒科技還有量化的技術，即可以自定義精度也可以重新訓練，然后重新獲得精度。如Deephi LSTM與XDNN。

人工智能的革命已經開始了，在AI推斷面前有很多的機會和挑戰。賽靈思的器件包括FPGA、ACAP等能夠提供同步AI創新的速度、低時延的最佳性能、最佳功耗效果以及加速整體應用。無論是AI專家還是AI新人，賽靈思都非常期待和大家共同合作，攜手并進。