FPGA巨头亮眼财报背后的故事

而全球两家最大的FPGA厂商最新的财报数据也印证了这一趋势。数据显示，赛灵思(Xilinx)公司2019财年第3季度的季度营收较去年同期增长34%，达到8亿美元，公司股票也创下了自上世纪九十年代上市以来的历史新高；而英特尔可编程事业部(PSG)2018年第四季度的营收则为6.12亿美元，同比增加8%，其中数据中心业务增长了50%，与高端器件相关的业务增长高达70%。英特尔的全年营收更是在2018年突破了700亿美元大关。uL9esmc

加速构建FPGA生态系统

与专注于FPGA的赛灵思不同，通过收购Altera进军FPGA领域的英特尔认为数据洪流的时代不仅意味着数据量的爆炸式增长，更体现在数据的形态和格式正发生着革命性的变化，没有任何一种技术能够同时解决所有问题。因此，英特尔的思路是全面布局从CPU、GPU，到FPGA、ASIC，再到未来的神经拟态计算、量子计算的端到端计算创新。uL9esmc

具体到FPGA，由于其具有灵活高效、可重复编程特性，可实现定制性能、定制功耗、高吞吐量和低批量延迟，在人工智能、云服务、数据中心、5G、自动驾驶和视觉处理等领域的应用越来越广泛。通过与英特尔端到端的计算技术相结合，FPGA可以更好地充分释放数据的巨大潜能。uL9esmc

外界普遍认为，英特尔PSG部门业绩的大幅增长，与其近期在FPGA领域进行的一系列重要布局，以及在技术、市场、商业模式方面实施的创新密不可分。uL9esmc

·2018年7月，通过收购eASIC将结构化ASIC纳入到其可编程解决方案组合中。uL9esmc

结构化ASIC是介于FPGA与ASIC之间的一种中间技术，其提供的性能和能源效率更为接近标准ASIC，而设计时间更短，成本只相当于ASIC非经常性工程成本的几分之一。长远来看，英特尔认为有机会构造一类新的可编程芯片，能够利用英特尔的嵌入式多模互联桥(EMIB)技术，将英特尔FPGA与结构化ASIC结合到一个解决方案的系统中，从而帮助用户解决在4G、5G无线、网络和物联网业务中遇到的高性能、低功耗应用的挑战uL9esmc

·2018年12月，在重庆成立英特尔FPGA中国创新中心。uL9esmc

该中心能够为行业提供先进的开发、测试及验证的端到端平台，开展FPGA优秀人才培养及技术应用研究，举办全国乃至全球FPGA领域高端峰会及创新大赛，形成FPGA产业聚集，加速FPGA产业发展及应用落地。uL9esmc

·2019年2月，推出专为5G应用定制的第三代FPGA可编程加速卡(PAC)N3000。uL9esmc

在过去12-16个月内，英特尔其实推出了很多的FPGA可编程加速卡平台解决方案，从Arria10 FPGA PAC到Stratix10 SX FPGA PAC，但主要集中于数据中心服务器加速业务。而N3000 PAC的面世，则意味着英特尔实现了从云到边缘网络的全面覆盖。uL9esmc

·2019年4月，推出全新Agilex FPGA产品，并宣布收购优化视频和视觉FPGA IP解决方案提供商Omnitek。uL9esmc

Agilex FPGA结合了英特尔10纳米制程技术和创新型异构3D SiP技术，将模拟、内存、自定义计算、自定义I/O，英特尔eASIC和FPGA逻辑结构集成到一个芯片封装中。利用带有可复用IP的自定义逻辑连续体，为用户提供了从FPGA到结构化ASIC的迁移路径。One API技术提供软件友好型异构编程环境，支持软件开发人员轻松发挥FPGA的优势实现加速。uL9esmc

uL9esmc

而Omnitek已经开发了超过220个FPGA IP核和配套软件，包括面向WARP、ISP处理和视频连接的高性能解决方案，支持不具备FPGA专业知识的新客户在FPGA上实现定制、集成的高效解决方案。此外，Omnitek使用信号处理专业知识开发IP解决方案，旨在为人工智能推理提供FPGA市场领先的性能。uL9esmc

破解两个“剪刀差”，加速AI落地

汽车、无线基础设施、有线通信、音频、视频与广播、航空航天、工业、科学与医疗、测试、测量与仿真以及消费类电子技术，这8大市场属于赛灵思极为关注的核心主流市场，与人工智能的关系非常密切。在赛灵思人工智能市场总监刘竞秀看来，人工智能的本质就是高性能计算，就像电力一样是一项通用能力，是能对所有行业进行产业升级以及产品迭代起促进作用的存在。uL9esmc

然而与产业和媒体关注热度相比，他对当前人工智能落地速度的表现并不满意。“目前火热的语音人机对话、智能视频等落地项目仍然是比较初期的智能应用，最多算是‘智能服务’，而不是真正的‘人工智能’。比如，人机对话可以用于最基本的生活服务，但很难真正超过20句对话，后面基本上就是尬聊。”uL9esmc

uL9esmc

赛灵思(Xilinx)人工智能市场总监刘竞秀uL9esmc

刘竞秀将上述场景出现的根本原因归结为两个“剪刀差”：一是海量的数据与计算芯片所能够提供的处理能力之间的“剪刀差”。主要表现在受限于摩尔定律，传统芯片算力的进步已经远远跟不上爆炸性增长的数据对算力的需求；二是芯片开发的长周期与快速迭代的市场和技术发展之间的“剪刀差”。传统芯片开发的完整流程通常长达18-24个月，然而当前的AI项目经常需要几个月就提出解决方案，从而抢占市场，如果按照传统的研发流片过程，当芯片出货时市场需求可能已经发生了根本的改变。uL9esmc

事实上，目前AI芯片已经发展到采用28纳米甚至16纳米制造工艺，倘若AI算力的需求全靠工艺迭代加以解决，所需的资金投入将是巨大的，风险也将随之放大。而且鉴于时间窗口问题，没有多少企业愿意或有实力在这块市场进行尝试。因此，刘竞秀认为具备可编程性且灵活多变的FPGA便成了最好的选择，人工智能创新企业可在特定领域(算法和框架方面)和应用上深入研究，从这些层面来创造更多的价值。uL9esmc

把芯片本身做出来不难，但如果没有足够高性能的软件、生态环境、工具链以及各种参考应用，应用落地将需要花费更长的时间。所以，对FPGA公司来说，为不同的客户提供从底层硬件、IP，到软件、应用层各种神经网络模型等不同层次的支持，正成为必选项。换句话说，传统的芯片提供商必须要向平台方案提供商的角色转变。uL9esmc

“赛灵思在方案底层定义了高效的指令集和IP，结合成套工具和SDK为客户提供接口，客户不需要写任何一行代码，只需要把相关IP资源调用起来，最快几个小时就可以把新的网络部署在硬件上，快速地将系统运行起来，从而支持不同行业不同场景的应用。”刘竞秀认为，人工智能在具体应用场景的落地是一个复杂的开发过程，传统处理器开发周期可以达到3-6个月，甚至一年都是常见的。但速度对当前的人工智能创业公司而言是最重要的考虑要素之一，通过快速实现原型机，尽早去实现真正的场景性能、功能迭代和数据收集，才能将产品比别人更快地推向市场。uL9esmc

以汽车激光雷达应用为例，当前全世界有几十家主流做激光雷达的公司，但每一家的产品技术路线差异非常大，市场上又不存在一个通用的计算平台能够覆盖差异如此之大的开发环境，但这恰好成为了FPGA最好的市场。在刘竞秀看来，在自动驾驶和无人驾驶应用中，通常需要ECU具备一定的理解能力来辅助中央控制器做出相应的判断和决策，FPGA在AI推理方面具备的高效率特质正好符合此类应用的需求。官方数据显示，赛灵思FPGA产品在激光雷达市场的占有率达到了惊人的90%。uL9esmc

 uL9esmc