自定义AI加速走势高涨。在云计算领域，阿里巴巴继亚马逊、谷歌之后，推出了自己的定制加速器。Facebook也参与其中，微软在Graphcore中持有大量股份。英特尔(Intel)和Mobileye在汽车领域拥有强大的边缘人工智能(AI)，而无线基础设施开发商正在为5G的小电池和基站增加AI功能。所有这些应用程序都依赖于大量灵活性和对未来的检验，以便在快速发展的环境中获得长期的相关性。
但是有许多应用程序，对于它们来说，功率、成本或透明的使用模型是更重要的度量标准。一个农业监视器在一个偏僻的地方，一个微波语音控制器，交通传感器分布在一个大城市。对于这些问题，一个通用的解决方案，甚至一个通用的AI解决方案，都可能是多余的。所以，一个特定的应用程序的AI功能将会更加引人注目。
在人工智能时代之前，你会立刻想到一个硬件加速器——它可以做任何它必须做的事情，但比在CPU上运行一个软件要快得多。这就是人工智能加速器的作用。它可能仍然是以软件驱动的，但与通用CPU方式不同。软件是在大型平台(如TensorFlow或Torch)上用Python开发的，然后通过多个步骤编译到目标加速器上。
这就是神奇之处。只要加速器保持在神经网络架构的一般范围内，它就可以像你希望的那样狂野。它可以支持多个卷积引擎，每个引擎又由SRAM作为一个整体来支持，同时还支持本地内存，以优化对操作的优先顺序的访问。
它可能支持专业功能池等常用操作。为了提高速度和性能，它通常会在不同的推理阶段支持不同的字宽，并在处理稀疏数组时支持专门的优化。这两个领域都是神经网络架构的创新热点，一些架构师甚至尝试使用单比特权值——如果一个权值只能是1或0，那么你就不需要在卷积和稀疏性增加中进行乘法运算了!
所有这些的挑战在于，当你想要致力于最终架构时，你会发现有太多的旋钮，以至于很难知道从哪里开始，或者你是否真正探索了全部的可能性空间。更加复杂的是，你需要在大范围的大型测试用例(大图像、语音样本等等)上测试和描述。
用C语言而不是RTL来运行大部分测试是常识，因为它比RTL运行速度快几个数量级，而且比RTL更容易调优。此外，神经网络算法可以通过高级合成(HLS)很好地映射，因此你的C模型可以不仅仅是一个模型，它还可以是生成RTL。你可以探索你正在考虑的选择的能力、性能和区域含义——多个卷积处理器、本地内存、字宽、广播更新。所有这些都具有快速的周转时间，允许你更充分地探索可能的优化范围。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
