賽靈思 All Programmable FPGA 和 SoC 針對一系列計算密集型工作負載提供最高效、最具成本效益、時延最低、最具設(shè)計靈活性并且滿足未來需求的計算平臺。

點擊“閱讀原文”，可下載完整的中文版 WP492

未來系統(tǒng)（例如云數(shù)據(jù)中心 [DC] 和自動駕駛汽車）需要在計算能力上大幅改進，以支持不斷增多的工作負載以及不斷演進的底層算法 [ 參考資料 1]。例如，大數(shù)據(jù)分析、機器學習、視覺處理、基因組以及高級駕駛員輔助系統(tǒng) (ADAS) 傳感器融合工作負載都在促使計算性能能以低成本、高效的方式實現(xiàn)提升，并且超出現(xiàn)有系統(tǒng)（例如 x86 系統(tǒng)）的極限。

系統(tǒng)架構(gòu)師正在尋找能滿足要求的新計算平臺。該平臺需要足夠靈活，以便集成到現(xiàn)有的架構(gòu)中 , 并支持各種工作負載及其不斷演進的算法。此外，這些系統(tǒng)很多還必須提供確定性的低時延性能，以支持實時系統(tǒng)（例如自動駕駛汽車）所需的快速響應時間。

圖形處理單元 (GPU) 廠商非常積極地將 GPU 定位成新時代計算平臺的最佳之選，主要依據(jù)其在機器學習訓練的高性能計算 (HPC) 領(lǐng)域取得的成功。在此過程中，GPU 廠商針對機器學習推斷工作負載修改了他們的架構(gòu)。

然而，GPU 廠商還是忽視了基本的 GPU 架構(gòu)的局限性。這些局限性會嚴重影響 GPU 以高效、低成本方式提供必要的系統(tǒng)級計算性能的能力。例如，在云端 DC 系統(tǒng)中，對工作負載的需求在一天內(nèi)會發(fā)生很大變化。此外，這些工作負載的底層算法也會發(fā)生快節(jié)奏變化。GPU 架構(gòu)的局限性會阻止很多今天的工作負載和明天形成的工作負載映射到 GPU，導致硬件閑置或低效。本白皮書的“GPU 架構(gòu)的局限性”部分對這些局限性進行了更詳細介紹。

相反，賽靈思 FPGA 和 SoC 具有眾多關(guān)鍵屬性，使它們非常適合解決未來系統(tǒng)要求所提出的種種挑戰(zhàn)。

本白皮書的“賽靈思 FPGA 和 SoC 的獨特優(yōu)勢”章節(jié)介紹了賽靈思架構(gòu)的優(yōu)勢，并與 GPU 架構(gòu)及其局限性進行對比。

GPU 的起源和目標工作負載

GPU 架構(gòu)的局限性

● SIMT ALU 陣列

●離散數(shù)據(jù)類型精度支持

●嚴格的存儲器層級和軟件定義數(shù)據(jù)類型

●有限的 I/O 選項

●片上存儲器資源

●功耗及功能安全性

Xilinx FPGA 的起源

Xilinx FPGA/SoC 的獨特優(yōu)勢

●計算能力

●效率與功耗

●全可編程的靈活性

●任意互聯(lián)的 I/O 靈活性

●片上存儲器

●功能安全性

點擊“閱讀原文”，可下載完整的中文版 WP492