的一个重要科学发展，透过在经验学习中改善具体算法的效能，而且用来训练的数据越多，所学习出来的结果越好，为了处理分析大量图像或是语音等辨识的机器学习算法数据，需要采用GPU芯片所打造的高速平行运算处理的类神经网络超级计算机，利用诸如Tensorflow、Caffe等深度学习框架(Framework)等工具，来发展有效的算法。

　　一旦得到算法之后，对嵌入式系统的设计而言，迅速将算法应用到云端数据中心，或是直接到终端的边缘运算(Edge CompuTIng)装置上，就是目前人工智能应用发挥的展示场。由于嵌入式系统本身的运算效能与低功率消耗的功能不断提升，所构建的智能功能、软硬件解决方案，非常有助于开创前所未有的人工智能的应用。

　　机器学习的技术已广泛应用于数据探勘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、语音和手写识别、战略游戏与机器人等应用领域。

　　可程序设计门阵列(FPGA)的解决方案，利用其可程序设计性的优势，已经广为业界所认知，赛灵思(Xilinx)做为FPGA解决方案的主要供货商而言，密切关注机器学习所带领的产业趋势，以及重要的应用范例。赛灵思亚太区工业及医疗市场的高级经理罗霖(Andy Luo)先生接受专访时，针对Xilinx产品进入机器学习的领域，提纲契领直指两个主要的应用领域。

　　首先，在云端机房与数据中心的应用领域，透过跨国性大型搜索引擎与社群巨擘的紧密合作，以市场为例，Xilinx与百度(Baidu)的搜索引擎加速器合作，具有重要的指标性，由于机器学习在高效能运算(HPC)平台上，使用的类神经网络模型与多层次架构(Training Framework)来训练算法，一旦将结果应用于数据中心的加速卡设计时，往往需要进行细部的调整与开发，所以弹性变更逻辑线的设计要求下，FPGA的可程序化(Programmable)的能力就益行重要。

　　Xilinx的解决方案之所以迅速攫取多数大厂用户的目光，端赖两项重要的诱因，也就是低功率消耗与高度灵活的硬件平台，提供数据中心专用加速器性能上的优势，并支持数据中心业者，打造更快速的创新应用与技术。

　　Xilinx推出可重组加速堆栈(Reconfigurable AcceleraTIon Stack)技术，针对机器学习、大数据分析和视频串流直播(Video Streaming)等三大新兴计算密集型应用，借助所提供各种应用链接库、开发工具和参考设计，有效的降低设计工程师开发FPGA通用的程序设计门坎，迅速解决数据中心中工作负载快速增长的挑战，并加速云端服务产品上市进程。

　　第二个重要的应用领域，就是在边缘运算装置的部署，因为大量的视讯镜头的使用，使得嵌入式视觉(Embedded Vision)技术可以因为采用机器学习的算法，而带来更多智能型的应用。

　　但是嵌入式系统考虑功率消耗需求，无法企求使用32或64位的高效能处理器，因此开发出一种技术，让多半使用32-bit或16-bit的浮点运算(FloaTIng Point)所设计的算法，可以放在8位整数运算处理器的智能终端装置上，Xilinx的解决方案在这类的应用上，保持算法在嵌入式系统上有效的准确度，所以使用机器学习所训练而获得的算法，当部署到低耗电与低运算密度的系统时，仍能完工智能的应用。

　　智能终端运算应用随着空拍机与自动驾驶汽车的发展，尤其是先进驾驶辅助系统(ADAS)中的自动识别、线规划，以及无人机上自动避开空中障碍，或是视讯与辨识分析等新兴功能，带领令人高度期待的应用，也推增FPGA的市场占有率。

　　另一个重点就是工业4.0的应用，这利用传感器融合(Sensor Fusion)的装置，将工业场域所收集的控制数据，做线性规划与数据分类，以掌握工业设备目前的状态。选择Xilinx的FPGA组件能在单一芯片上提供广泛的高速界面，能以低成本获得更高效能，并因为各种开发整合到同一平台上而节省开发资源，让客户得以专注于开发差异化功能的产品，取得市场先机。

　　和GPU为主的解决方案相比，罗霖分析FPGA的主要优势，首推低功耗的设计，通常3瓦的功耗的设计足以支撑整个加速卡的效能，第二个重要的优势，是反应速度快速，以微秒等级的反应速度，特别适合在空拍机或是自驾车应用的领域，因为反应速度决定人身安全的重要。

　　但是FPGA也有弱点，罗霖持平而论，也就是工程师的开发FPGA的时间较长，因为需要熟悉使用逻辑线分析、布局布线等EDA工具才能设计FPGA线，虽然FPGA现在也可以利用OpenCL和C 语言以类似软件的流程来程序设计，但是不可讳言的，其工程设计门坎还是比GPU的使用设计要高，罗霖强调Xilinx对于FPGA在机器学习方面组成开发者社群，并开发丰富的工具和链接库的，已经可以大大提升设计效率。

　　罗霖指出Xilinx的FPGA解决方案，在全球主要通信系统机房中，一直是用来做为主要通讯系统的设计，利用密集型计算应用，做为处理通信标准中信号处理与应用，几乎占了Xilinx的50%的主要收入来源，但是配合机器学习所带领的数据中心加速卡与边缘运算终端的应用，涵盖更多的无人空拍机、智能型视讯影像系统、自驾车的应用，目前已经贡献Xilinx另外的40%的营业收入来源，前景非常具有爆发式成长动能。

　　展望2017的目标，第一，Xilinx设定工业物联网(IIoT)的应用，从工业设备常用的PLC应用，以及透过IEEE TSN、OPC-UA的工业通讯协议的整合，以掌握实时性的信息，开发工业应用，第二，面对机器学习的算法与相关的FPGA设计工具的加强，加快协助客户做到人工智能功能的快速部署，以达到更卓越的效能需求，并能同时降低开发成本。

　　推荐：