人工智能的三大核心要素包括數據、算法、計算能力。其中，在提升計算能力方面，目前多還是通過延續傳統計算架構，加速硬件計算能力，主要以3種類型的芯片為代表，即GPU、FPGA 和ASIC，而當傳統X86架構芯片無法滿足用戶需求時，新一代的計算芯片平臺也便成為行業進一步角逐的重心。

從目前市場來看，主流方向多采用GPU，但鑒于其功耗高、實時性差等問題，逐漸轉向FPGA、ASIC芯片。其中，ASIC是為了某種特定的需求而專門定制的芯片，其優點在于體積小、功耗低、計算性能高、計算效率高、芯片出貨量越大則成本越低；但相應的，鑒于其算法是固定的，一旦算法變化就可能無法使用，以致開發風險極大；相比之下，FPGA則具有低延時、低功耗、可編程靈活性高、開發周期短、后期可升級的優勢，但同時也會受到成本、功耗、編程設計的限制。

綜合來看，ASIC需要有足夠大的市場保證成本價格，且周期很長，不適合深度學習CNN等算法正在快速迭代的領域，目前只有谷歌等極少數公司敢于嘗試。而FPGA能夠滿足復雜且不斷變化的云應用工作負載需求，同時也適合圖像、視頻、語音流、傳感器高速信號流、超高速網絡包處理并且要求實時性的場合。近兩年，全球七大超級云計算數據中心包括 IBM、Facebook、微軟、AWS 以及BAT、華為也都采用了FPGA服務器。

目前FPGA在AI應用領域仍存在三類問題：其一，編程困難，鑒于RTL編程復雜低效，HLS設計又不夠成熟，編譯時間漫長且調試困難；其二，硬件系統設計復雜，目前異構計算體系復雜需要定制軟件棧；其三，人才匱乏，培訓體系落后等問題。

針對開發環節，提供領域專用的開發工具、專用高效開發語言、專用的調試工具；針對硬件系統設計，提供標準化專用系統設計工具等。簡單來講，深維科技致力于通過提供一個平臺讓FPGA更好用，以提升AI計算性能，降低AI部署成本，以提高用戶的開發效率。

目前典型的設計工具包括，通過DPNetGen可以自動完成從Caffe網絡模型到Verilog代碼的AI算法描述轉換、DNN網絡FPGA集群實現自動優化算法，通過DPComp工具對AI應用的針對性優化策略，可以提高FPGA實現結果的性能。從實際應用效果來看，相比于傳統設計，基于深維設計工具的FPGA加速可以使工具運行速度提升10倍，結果質量快10%，開發過程時間是原來的1/10，使用的資源數量也會相應降低。

至于如何實現技術落地，比如機器視覺、語音處理、醫療診斷等，集中在機器視覺方向的應用場景則包括“云”和“端”兩方面，“云” 端包括AI圖像結構化信息提取、AVS編碼算法等，“端” 包括智能攝像機設備等。未來，也不排除開發自主FPGA AI芯片。據悉，目前公司與Xilinx、Altera都有建立合作關系，同時跟華為、恒揚、北大數字媒體所、北大高能效計算中心等在FPGA開發、設計加速方面也在進行合作。

盈利方面，未來則主要涉及三條路徑：其一，通過提供模塊、開發板、芯片等硬件產品，按出貨數量收費；其二，提供IP授權服務，可收取一次性授權費+版稅；其三，提供軟件服務，包括基于Saas的云設計加速、本地安裝版工具以及OEM版本，根據客戶具體需求相應收取相關的授權費。

而論及行業競爭，在提供FPGA AI應用加速服務上，一方面未來可能會面臨來自FPGA芯片廠商的競爭，目前Xilinx、Altera分別占據了全球49%、39%的市場份額，國內則有同方國芯、京微雅格等，作為芯片廠商自身也會提供相關的工具，但鑒于AI應用整體還處于相對初期階段，目前多服務于通信等領域；而另一方面，目前國內人工智能芯片典型的創業公司包括寒武紀、深鑒科技、地平線等也都在致力于提升計算，其中，寒武紀已近期完成1億美元的A輪融資，其主要側重ASIC芯片方向，而較為類似的深鑒科技，則是面向FPGA平臺的神經網絡壓縮，已于今年年初完成數千萬美元的A輪投資，投資方包括賽靈思、聯發科MTK等。

通過先進EDA工具提升開發效率，在產品的走向上也更為靈活；此外，公司的核心技術成員交叉覆蓋AI應用算法和FPGA核心技術，團隊多來自于Cadence、IBM、京微雅格、中科院、復旦微電子等，對行業的理解以及產品工程能力較有優勢。創始人樊平，自身作為北航計算機學士碩士，具有十三年行業經驗，曾任京微雅格技術總監、Cadence高級軟件工程師、IBM軟件工程師，在FPGA芯片架構設計與評估技術、FPGA EDA工具算法、高性能算法等方面具有深厚的積累。