作者：郭道正  Achronix Semiconductor中国区总经理

数字化转型正在现代制造业中轰轰烈烈地发生，在最新信息通信技术（ICT）的支撑和推动下，以服务型制造、智能制造和绿色制造为特征的现代制造业形成了过去三百年间工业领域最长足的进步。从18世纪末的工业革命（通常被称为工业1.0）发端的制造业，已经到如今以智能化和网络化解决方案为核心的工业4.0。

同时，在今天的网络化和个性化社会中，以大规模和标准化带来的高效率为基础的制造业核心模式也在发生转变，通过定制化、“产品+服务”、“制造+服务”等新模式，借助人工智能、元宇宙和其他交互技术，工业5.0正在将消费者的需求和云化设计系统、利用人工智能驱动的机器人系统、以及机器学习和深度学习算法带来的精准和高效服务等新的产品服务特性相互融合。

工业5.0在将先进制造能力与人类大脑的奇思妙想和实时思考有机结合的同时，创造出更理想的、甚至是消费者和服务提供商与新计算平台共同参与的智能制造环境。而这种基于人工智能的工业5.0制造环境的核心组成部分包括：机器学习/深度学习算法、由物联网和5G等网络传送的数据、以及硬件数据处理加速器。

图1：制造业技术的演进

机器学习与深度学习

在人工智能（AI）技术的推动下，制造业数字化转型正在带来巨大的变革，新的制造环境不再只是让工厂自动化程度进一步提高，或者实现一些人类无法实现的加工手段，比如用新的光学技术和数学模型来检查人类无法用肉眼识别的瑕疵，而是整个制造环境的全面颠覆。机器设备将不仅可以简单地执行算法，而且还可以自主从周边环境中学习、无需人类介入便自行调节算法。

机器学习（ML）是人工智能的子集，它通过运用数据集衍生的统计模型来改进特定任务，从而实现机器自主分析判断的能力。作为机器学习的子集，深度学习（DL）运用了多层神经网络，不仅能执行基础的机器学习推理，还能学习新的数据，从而获得更高层的认知能力（见下图）。

图2：人工智能/机器学习/深度学习谱图

随着工业4.0在2010年代早期进一步演进，使得AI在制造环境中的重要性与日俱增。如今，许多应用都会利用AI来促进制造和业务经营、流程、安保和供应链等更加流畅高效。许多企业在其整个运营中，即不只是在制造或者消费者服务等单个环节上引入了AI技术，而是在方方面面改善制造企业的经营。

不断丰富的机器学习与深度学习算法

通过运用预测性算法，AI可以监控设备状况，优化维护日程，最终还能预报机械故障。又如在产品设计、定价决策、销售渠道和产品组合优化等中前台业务中，AI也可以用专用算法优化每一个环节并形成整合决策，然后传递给后台的机器人和自动化生产设备，以及采购和物流等支撑性部门。

与制造相关的物料供应链管理也可以充分发挥预测算法的优势，保障流程能够顺利、高效地持续运作。AI算法还可以参考过往和现在的商业需求，从而协助预测未来的业务。这些AI系统可以与供应链和库存管理系统结合，加快获利时效，降低间接成本。

机器人早在工业3.0时代就成为了制造系统中重要的组成部分。而在我们即将迎来工业5.0之际，这些机器人系统必须拥有适应性的AI算法（主要为采用多层神经网络的深度学习算法）。它们不仅需要自主学习，还必需能够解读人类的实时输入。低时延的实时适应能力也将成为不可或缺的要素。

配合算法的其他方面：数据与加速器

在持续兴旺发展的工业4.0和正在演进的工业5.0中，除了越来越多、越来越完善的AI算法，大量的数据和处理这些数据的数据处理加速器是另外两个重要的组成部分。首先，AI算法的蓬勃发展离不开实时数据，而今天在制造环境中无处不在的物联网（IoT）可以从模拟和数字世界中获取与接收数据。

现代制造环境里从来就不缺数据，时间、压力、温度、速度、角度及视听数据源必须经过采集，随后转换成结构化数据，各类基于AI的系统才能对其进行分析和控制。这些物联网系统收集并经过结构化的数据，再与各种设计系统和运营系统中的数据结合形成了制造业海量的输入数据，并在计算机领域中引出了一种新范式，即对数据加速器的需求。

在海量的数据面前，数据中心里的数据处理负担，以及用机器学习/深度学习方法发现数据背后的意义这些工作，已经令传统的计算服务器模式不堪重负。过去应对数据激增的方法就是在数据中心不断增添服务器。

数据量指数级增长带来的服务器安装规模的飞速扩大，不仅提高了资本性支出，再加上设备的运行和冷却需要消耗更多能源，营运性支出也随之水涨船高，对数据处理加速器的需求则应运而生。取决于数据处理加速器的类型与负载，服务器中单个数据处理加速器的运算能力可以达到与15台服务器匹敌，从而大幅削减了资本性支出和营运性支出。

基于硬件的数据加速器还带来了更多效益，例如较低的时延和更高的稳定性，这在车辆自动驾驶、工业4.0/5.0、金融服务和其他对时延要求较高的用例中效果尤为突出。优秀的数据加速器还有最后一项特征，它具备了出色的灵活性，能够适应机器学习/深度学习算法的变化，包括算法本身的调整、负载的变化和/或机器学习/深度学习算法数据集的更新。

数据处理加速器的选择

针对机器学习/深度学习应用和算法，数据加速的赛场上有三种各异的硬件选择，即GPU、FPGA和定制ASIC。如下图所示。CPU的灵活性始终是最出色的，但与其他专用数据加速器相比，在能耗、性能和成本方面存在一定的劣势，其它选项便是GPU、ASIC和FPGA。

图3：CPU、GPU、FPGA和ASIC的对比

ASIC的效率与性能最为出色，但功能完全固定，缺乏必需的灵活性，无法适应AI算法的变化、新兴技术的参数改动、供应商要求和负载优化。GPU是传统核心数据中心的主力，仅限于纯粹运算这样的使用场景，而不能提供大多数场景中需要利用到的联网与存储加速的能力，并且能耗和成本较高。

FPGA可以加速联网、运算和存储，速度与ASIC相仿，也具备了必需的灵活性，能够为如今的核心与边缘数据中心提供理想的数据加速。除了数据加速之外，FPGA还将在传感器融合、数据结构化和传入数据流合并等领域发挥关键作用，为数据消费打下了坚实的基础。

技术创新使FPGA成为更好的选择

基于FPGA的数据处理加速产品所具有的灵活性和并行处理能力，使其成为了制造环境中机器学习/深度学习的优选运算平台，但是不同的垂直领域、导入阶段和应用规模带来了对FPGA技术不同的需求。以高性能FPGA技术、产品和解决方案提供企业Achronix为例，来分析FPGA技术对人工智能创新的重要性。

Achronix同时提供独立FPGA芯片和嵌入式FPGA（eFPGA）半导体知识产权（IP）解决方案；此外，Achronix还提供基于PCIe的加速卡，可用于开发、实地测试或生产等应用场景。该公司提供了整个FPGA行业中独一无二的产品组合，从中可以看到FPGA技术创新对于制造业机器学习/深度学习应用的支持。

网联化制造环境中的数据量是巨大的，甚至可以达到PB规模（Petabyte = 1024TB）。Achronix采用台积电7纳米工艺打造的Speedster®7t系列FPGA拥有业界最快的输入/输出速度，可支持400 GbE、PCIe Gen5连接，以及标准DDR4和GDDR6双存储接口。GDDR6存储接口可以带来的惊人速度，相较于DDR4提高了600%。

如果数据无法轻松通达FPGA逻辑阵列，高速接口便无法发挥太多作用。为了避免遇到这一瓶颈，Achronix从架构上增加了二维片上网络（2D NoC），能够有效充当所有外部输入/输出数据的高速通道，增强了FPGA内部的功能单元块和FPGA逻辑阵列本身。这种2D NoC实现了超过20 Tbps的双向带宽，远远超过了输入/输出和功能块的总带宽需求，消除了片内通信的时延问题。

对于复杂的制造环境，不仅存在集中的数据处理中心，而且还有大量的制造设备需要得到边缘计算的支持，包括运行机器学习/深度学习算法，从而构成了制造业中对成本、性能与能耗高度敏感的大批量应用场景，同时还能够解决中央数据处理模式可能存在的延时和网络稳定性问题。

过去用户通常会在这种场景中采用基于ASIC的解决方案，但这时又该如何满足对灵活性的需求呢？无论是算法的演变、需求的变化、供应商和经营者的具体要求、协议的适配，还是功能系统单元块的多样接口，它们都对灵活性提出了一定程度的要求。

Speedcore™ eFPGA IP便是这一问题的最终答案，它以一种可以规模可选的FPGA逻辑阵列提供给ASIC或者SoC设计公司，可令ASIC能够具备“恰到好处”的灵活性。其中查找表（LUT）、内存、DSP/MLP和2D NoC的资源量与组合方式可由ASIC开发者决定，Achronix则会为他们的ASIC或SoC设计提供集成在芯片上的定制IP。

VectorPath™加速卡是采用PCIe外形结构的硬件加速平台，其上搭载了Speedster7t独立FPGA芯片，可以考虑用作评估、开发与现场测试的工具，或也可以用于量产应用，比如在机器学习/深度学习算法的研制过程中就在VectorPath加速卡上进行调试，从而加速这些算法的开发和应用。该解决方案也可以根据用户的具体要求量身定制。

结语

人工智能、机器学习和深度学习将继续推动工业4.0和5.0的发展，使生产力与效率更上层楼。在IoT和5G技术的协助下，自动化和机器人将与人类的奇思妙想和创造力融为一体，孕育出人类在10年前未曾想象的制造环境。FPGA不仅能够运行机器学习和深度学习算法，还能够支持传感器融合，能够与众多物联网设备连接，充分把握制造环境下人工智能系统所需的高性能与灵活性之间的平衡。