人工智能的火热已然有目共睹，从如雨后春笋般增长融资的各类AI创企、国内外无数巨头高调进军加码、再到“人工智能”被写入我国政府工作报告等诸多新闻中皆可见一斑。其实人工智能的概念早已有之，为什么近年如此火热呢？

　　姚颂认为，深度学习和以往的人工智能不一样，不仅已经能够在某些领域超过了人类，而且原来人脸识别、微表情、医疗、SLAM等都有专家，每个领域的专家不能复用，但现在深度学习的AI框架可以把所有领域都囊括进去，对于硬件加速很友好，应用范围很广。

　　然而说起深度学习，大家最联想到的还是GPU——五六年前，跑机器学习算法主要用的还是CPU，CPU通用性好，硬件框架已经很成熟，非常友好。然而，随着机器学习及深度学习的运算量越来越大，CPU已经不能满足人们的需求，人们进而把眼光转向了GPU。

　　GPU不仅有更强大的并行处理能力，还有更加强大的控制数据流和储存数据的能力，因此可以令神经网络训练的速度提升10-20倍，从而能够将原本要数周甚至几月的训练时间缩短至数天。深度学习分为训练（Training）和应用（Inference）两部分，尤其是在训练阶段，其所需的数据计算之大，远不是曾经CPU时代的人们敢于去想象的。

　　这对专注于GPU生产的英伟达来说，确实是一个好消息，英伟达在去年的股价飙升也证明了这一点。然而这消息对于全世界最大的CPU制造商英特尔来说，就没那么友好了——不过，做不好我们可以买呀，2015年12月29日，踩着2015的尾巴与2016的前头，英特尔宣布以167亿美元全资收购FPGA/CPLD公司阿尔特拉（Altera），至于阿尔特拉和前文提到的塞灵思（Xilinx）的关系嘛，大概就像是肯德基和麦当劳。

　　咦？不是说好的GPU吗？为什么聊起了FPGA？

　　FPGA（Field Programmable Gate Array）全称“可编程门阵列”，是作为专用集成电路领域中的一种半定制电路而出现的，既解决了全定制电路的不足，又克服了原有可编程逻辑器件门电路数有限的缺点。

（赛灵思推出的UltraScale架构FPGA）

　　简单来说， FPGA的“可编程”指的是可以用户通过重新配置逻辑资源来不停尝试，通过编辑不同的配置文件把同一个FPGA进行不同属性的设置，直到获得最佳方案，非常灵活。而深度学习作为一门尚在发展中的技术，FPGA的这种灵活、可编程、允许试错的特性对它来说是非常友好的，这是第一点。

　　除了灵活性外，第二点则是功耗。一块GPU的功耗动辄100W、200W，功耗巨大。虽然英伟达也推出了面向嵌入端的GPU设备（比如Jetson TX2系列，其标准功耗为7.5W/15W），但对于无人机、安防摄像头这种功耗敏感型的硬件端来说则仍旧会存在功耗过大、发热、过度影响电池续航等问题，而功耗能做到3W、4W的FPGA此处优势凸显。

　　第三点则是延迟问题，虽然GPU的运行速度比FPGA快，但是GPU的高性能来自于它的并行处理能力，训练时效果很好，但在应用时一次性只能处理一张输入图像，优势不能完全发挥，造成延时。

　　不过，GPU由于峰值计算性能高、内存接口带宽高等优势，依旧是目前深度学习训练阶段的最佳选择。但在应用方面，FPGA的灵活、低功耗、而且价格相对低廉等优势开始凸显。目前国内外不少大公司开始逐渐注意到维护、采购、散热、内部损耗成本等问题，开始逐渐将FPGA引入自己的系统内，比如去年亚马逊和赛灵思合作，推出了基于FPGA的亚马逊云服务、百度大脑使用了基于FPGA版的AI专有芯片、腾讯云也发布FPGA云服务器等等，市场接受度正在不断提升。

　　虽然FPGA有种种好处，但是也存在一个大问题，那就是开发难度。由于传统FPGA开发需要使用硬件描述语言（Verilog或VHDL）而不是传统的计算机语言（比如C语言），程序员需要在FPGA公司提供的编译器基础上进行二次开发，造成了开发难度大、开发周期长（一般需要3-6个月）等问题，所以很多公司不愿意使用它。

　　深鉴相当于给这些不愿意直接使用FPGA的厂商提供了一个带接口的黑盒子，厂商把自己的算法模型训练好之后，将模型与数据通过接口传入，由深鉴科技进行压缩和编译，生成的指令可以在FPGA上运行，厂商直接得到需要的输出结果。