AI
生產製程易卡關 MEMS麥克風挑戰大
人工智慧(AI)語音辨識發展起飛,進一步帶動MEMS麥克風的需求,然而在這波需求的背後,不僅是MEMS麥克風本身的規格需要提升,就連生產製程的良率要求,也成為廠商關注的焦點。
鑫創科技市場行銷部經理曾建統表示,AI語音發展趨勢規格目前呈現兩極化的發展,針對較於成熟的消費型應用產品(如手機、筆電與耳機),現有的MEMS麥克風性能皆已可滿足其應用需求,但另一方面,對於MEMS麥克風的靈敏度、收音與抗噪有更高要求的AI應用(如智慧音箱類型產品),則對MEMS麥克風技術規格要求更嚴苛。換言之,面對這兩種截然不同的應用,MEMS麥克風除了技術規格有提升的必要,同時也有在既有產品與技術規格下,提升產品良率的技術考量須同時並進。
曾建統談到,該公司看到許多語音應用產品,在生產過程中的不良率問題經常在MEMS麥克風元件的節點中被突顯出來。原因在於,相較於其他類型的感測元件,MEMS麥克風的元件特性更為脆弱,不適合用水洗或吹風的方式進行處理。不過在要求產品整體的輕薄短小與高性能的需求,開發商追求更高製程,而高製程的生產過程,對於MEMS麥克風本身的元件特性經常背道而馳。再者,受限於MEMS麥克風本身價格低廉的因素,生產者是否希望透過製程改進MEMS的良率問題,也是一個須考量的因素。
隨著消費型產品在輕、薄、短小的要求下,開發商需要透過製程的改善,進而滿足產品機構上的要求,也基於此,PCB板上的MEMS麥克風,經常成為容易出錯的問題點。舉例說明,水洗、噴發氣體與壓力變化都會對麥克風良率產生影響,然而有些新製程為了清除感測器上的雜質,採用水洗的製程做清洗的動作;此外,也有些製程於真空環境中生產,當生產完畢時,產品就會進入破真空的階段,過程中會產生一些壓力變化,進而影響麥克風的良率。
不僅如此,由於產品對於靜電放電(ESD)要求越來越嚴苛,因此系統產品在測試ESD過程中,需要拿靜電槍對各個接口發射靜電測試,而MEMS麥克風元件又經常擺放於開口處,也容易使得MEMS麥克風元件受到影響。
整體而言,曾建統分析,ESD的防護是系統層面的問題,需要透過客戶生產、製程上的協助予以克服。但從另外一個層面來看,上述提到的系統產品開發問題,單純從表面上看到的是MEMS麥克風造成良率的影響,但這背後某種程度也是MEMS麥克風廠商所面臨的一大瓶頸。
曾建統表示,目前台灣IC設計商尚未在MEMS麥克風市場中受到Tire 1開發廠關注或合作的主要原因在於,即便台灣MEMS麥克風廠商可以滿足開發商規格上的要求,但在生產良率的要求,比起一般國際大廠則較為不足,故如何協助開發商提升良率問題,將成為未來拿下AI語音龐大商機關鍵要素。
IEK迎2030年人才大勢 AI驅動新就業市場
有別以往以歐美先進國家為主的觀點,工研院近日於亞洲國家調查各國對2030年各領域前瞻科技的布局與影響,藉此了解亞洲與全球在中長期技術前瞻與市場需求之差異,期盼以科技創新帶動產業翻轉,進一步打造台灣產業競爭力。
科技人才的培育與人才及產業之間的銜接,亦是未來將面對的重大課題。展望2030年,國際人力資源與企業管理顧問公司萬寶華認為,有將近七成的未來工作至今尚未出現。儘管如此,但隨著科技創新已經可以明顯感受到企業營運、人才職能與學院教育皆已開始隨之變化。
AI創新工作型態
工研院產業科技國際策略發展所產業分析師黃筱雯(圖1)指出,透過輔助型人工智慧(AI),能夠為人類節省更多時間心力,快速完成SOP工作。然而,隨著人工智慧自主能力越來越強,會由現在正蓬勃發展的人機協作,逐漸走向機器自主的時代,屆時,人類與機器之間的角色將出現大變動,可自主感知、分析、評估與決策的機器將成為主流。
工研院產業科技國際策略發展所產業分析師黃筱雯指出,透過輔助型人工智慧,能夠為人類節省更多時間心力,快速完成SOP工作。
儘管AI將在某部份取代人力,然而,AI也將驅使創新工作型態出現,創造更多工作機會。根據麥肯錫全球研究院(MGI)研究指出,科技創新對於就業機會將造成影響,其中由短期看來確實會帶來工作消失、人類失業等衝擊;然而若以長期影響看來,科技創新所創造的工作數將遠勝於消失的工作數。原因就在於科技創新除了催生原產業的新商機,還會促使其他產業轉型升級,創造新的工作機會。
黃筱雯舉例,個人電腦的出現曾為就業市場帶來了龐大的衝擊。然而回顧這段歷史,我們可以看到自1980年代至今,這40年來美國當地所創造的淨工作數達到1,575萬;其中,在PC產業出現的全新型態工作大約占了其中的20%,若是將範圍擴大到所有產業來看,其實個人電腦創造了將近八成的全新型態工作。
麻省理工因應AI需求打造學院
根據PwC資誠研究報告指出,近年來,有越來越多的全球企業執行長開始擔心無法獲得數位經濟時代所需要的關鍵技能;並且有超過九成的執行長認為,現今人才需要特別強化快速學習、傾聽與溝通這類的職場軟技能;除此之外更有過半數的執行長擔心無法招募到優秀的數位人才。在數位經濟、科技創新浪潮下,企業該如何掌握商機成為關鍵所在,對於人才而言亦是如此。
在產業的變動下,未來企業所需要的職務分類、工作內容、人才價值皆必須重新定義。「人機協同而非取代」將是未來產業發展的重要關鍵因素。端看企業如何在數位科技與人之間取得最佳平衡點。
黃筱雯進一步分享,為因應未來的工作環境,跨足雙重領域的整合型人才在未來將更加重要,也因此,美國麻省理工學院(MIT)於今年開始,耗資10億美元打造AI學院。該學院的目標在於將AI應用於所有研究領域,並鼓勵學生雙重領域的學習與應用,同時幫助學生系統性學習與思考。該學院企圖打破傳統大學教職聘僱的傳統機制與思維,同時打造MIT全學院的共享結構。也就是說AI學院將扮演其他五所學院(理學院、工程學院、建築學院、管理學院、人文藝術與社會科學院)的跨域橋樑。該學院預計將於2019年9月正式招生營運,屆時便能看到人工智慧教育的新典範出現。
專訪資策會智慧系統研究所所長馮明惠 跨域共通平台推動製造業升級
傳統中小型製造業者,在科技發展的腳步下,是十足的弱勢族群,不僅製造方法落後、效率低,對於生產資訊的蒐集與經驗累積,都極為土法煉鋼。工業4.0智慧製造的內涵,非常重要的精神就在於少量多樣的彈性化智慧生產,此也契合中小型製造業生產模式。然而,資源相對缺乏的中小企業在導入新興資訊科技的過程中相當無助,政府與法人的協助更加重要。
跨領域合作為王道
物聯網的興起正式推動資訊科技產業的第三波變革,資策會智慧系統研究所所長馮明惠表示,從四、五十年前第一波以PC為主的資訊硬體到第二波的App經濟,近年走入全聯網時代,裝置多了感應、通訊、控制甚至分析的功能,於製造業就是提供製造設備單機、產線、整廠的聯網,然而推動的真正關鍵成功因素必須兼顧深度與廣度,除了整合水平領域的資源建立具互通性的平台之外,也要深入垂直產業的領域知識,建立夥伴關係,以共享、共創的精神發展平台,最後發展適當的商業模式,讓解決方案可以實際運作、持續成長。
資策會系統研究所長期發展資訊軟體技術,在智慧製造的推動上,馮明惠強調,為建構工業物聯網完整價值鏈,開發公版聯網平台NIP EI-PaaS核心技術,運用共同的網路、管理等模組,設計可視化的分析平台,將重要的生產訊息簡易呈現,並具備完整的管理功能,物聯網雲平台是智慧製造生態系統的骨幹,可以協助台灣製造業快速的邁向智慧製造。
摒棄過去單兵作戰的思惟,為了解決物聯網應用破碎化的難題,馮明惠強調,該平台發展的過程中,為了擴大技術廣度,網路安全功能與該會資安所合作,領域知識與數位所合作,硬體技術與工研院資通所合作,產業應用則與研華一起,共同發展NIP EI-PaaS平台。為了深入垂直產業,也與手工具公會、機械公會、工具機公會等攜手,完成平台的共通性與垂直領域深化。
按部就班推動產業轉型升級
另外,資策會系統所為提供機台、設備連網,也發展了機台聯網閘道器軟體Chameleon,專門用於連接產線PLC設備並將資訊回傳至後端資料庫,大幅降低生產資訊取得門檻,更新、自主維護容易。結合物聯網雲平台,協助在產線上的業者進行轉型,包括擁有產線的製造業者與產線設備供應商,從生產面與設備面同步進行提升與轉型。總結發展的過程,深入領域知識並進行跨領域結盟才能真正發現產業需求,透過不斷地溝通、分工與合作的手段達成預期的目標。
在平台就位之後,產業轉型升級之路才要正式展開,馮明惠說明,包括人才培訓、提出廠商投入誘因如補助也很重要,而嚴謹的推動步驟包括:前期的技術研發,提出產業可用的解決方案;第二步是發展試行場域,並組織產業聯盟,以打群架的概念,讓更多志同道合或有共同需求的廠商可以導入;再與策略合作夥伴建立可營運的機制,讓政府科專計畫可以商業化,並且建立可獲利的商業模式。
前述步驟可以說是加速階段,如果能夠順利推展已是成功模式,接下來就可以大幅發揮產業轉型效益,正式進入起飛的階段,馮明惠說明,第五個步驟就是產業鏈(Eco-system)的發展,包括產業上下游與產業群聚,可以發揮產業成長綜效,至此產業轉型可以宣告成功。最後一個階段是發展產業標準,將產業實力進行大規模的擴散與輸出,若能成功推展有機會建立產業典範,只是就目前看來還有很多值得努力的地方。
持續發展平台/連網/運算技術
物聯網時代垂直領域是技術應用主要的對象,所以深入了解領域需求,而且尊重該領域的專業是一大重點。展望未來,馮明惠說明,台灣有很好的霧端或邊緣(Edge)端的技術,如何在與領域需求結合的前題下,透過邊霧運算,讓裝置的價值更為凸顯,雲霧協作非常重要。另外,物聯網本身是一個龐大的網路,在5G的架構下,大規模物聯網通訊與低延遲、高可靠度的通訊技術是各界現階段發展的重點,著名的「電車難題」就需要低延遲網路與高效能運算技術合作解決,也是系統所接下來主要的任務之一。
未來高效能運算技術像是「量子電腦」已經有很多研究單位投入,系統所會結合平台與運算技術,配合長期以來公部門,包括中央部會與地方政府的支持,提供國內產業發展所需的解決方案,持續協助國內產業升級。
資策會智慧系統研究所所長馮明惠表示,物聯網平台NIP EI-PaaS,與水平、垂直領域專家合作,完成共通性與垂直領域深化。
AI智慧家庭設計論壇暨家電設計競賽頒獎典禮盛大落幕
AI技術近年引起熱烈討論,與家電結合之後,將真正打通智慧家庭任督二脈,在家中各個角落埋設的感測器蒐集溫度、濕度、空氣品質等環境訊息,透過無線技術如Zigbee、Thread、Wi-Fi、藍牙(Bluetooth)5網狀網路(Mesh Network)等與家電連結,再利用人工智慧深度學習演算法,判斷出最適合使用家電的時機,讓家裡的各項環境數值時時保持最舒適的狀態。
同時,相關商機也吸引Apple、Google、Amazon等國際大廠積極布局,根據Strategy Analytics預估,全球智慧家庭硬體裝置與服務市場規模在2020年將高達1,300億美元,2015~2020年的複合成長率(CAGR)為16%,本活動邀請相關領域代表性業者與專家深入探討智慧家庭的設計與應用趨勢,並剖析部署對策及未來發展趨勢。另外,為鼓勵學生投入智慧家電並厚植相關領域能量,由經濟部工業局主辦,家電產品設計競賽,強化台灣家電產業之時尚美學與色彩運用能量,提升產品附加價值,特於會中舉辦頒獎活動,鼓勵得獎作品與團隊,並於現場展示。
會中艾邁斯半導體(ams)台灣區總經理李定翰表示,智慧家庭中感測器(Sensor)的應用將越見普遍,該公司感測器的發展與應用是以人為本,為人或是人所在的環境而服務。光感測器、光譜晶片、食物晶片、氣體感測器(Gas Sensor)、磁性位置感測器(Magnetic Position Sensor)等都是重要的環境感測晶片,也具備很高的發展潛力。
另外,大同家電電子事業部廠長張忠棋強調,未來的智慧家電發展趨勢,已經不再是單純的遠端控制,還包括節能管理、排程控制、情境控制、智慧烹調、智慧服務、智慧診斷與近期最熱門的智慧助理。因應智慧家庭高度互連互通的趨勢,家電開放平台Open API是重大的趨勢之一,未來家電產品與服務也能與各領域之物聯網聯盟與軟體服務進行整合,建構AIoT物聯網生態系統。
另外,會中也同時舉辦由經濟部工業局主辦的家電產品設計競賽頒獎典禮,執行單位電電公會毛恩洸副秘書長致詞時表示,家電是每個家庭必備的產品,市場需求不會消失,設計競賽活動的舉辦,就是為了促使家電更符合現在的應用需求,並結合技術趨勢發展新的家電,本次活動共131件產品經過兩階段評選,選出的優勝作品,無論在造型設計、功能應用與新技術導入都有各自傑出之處,希望藉此鼓勵得獎作品與團隊,也推動台灣家電產業維持發展與創新的動力。
波束成型挑戰多 AI確保5G訊號收發性能
具體來說,5G NR所帶來的技術挑戰如下:
.路徑遺失伴隨頻率增加(因為波長會隨頻率縮短)
.訊號衍射損耗伴隨頻率增加
.空氣介面與大氣遺失視頻率而定
.散射訊號隨頻率增加
.穿透損耗伴隨頻率增加
在3GPP TR38.901中呈現的通道模型是以3D通道特性為基準,並包括其他功能,如天線模型與更多的通道狀況。這些特色除頻率相關挑戰外,都會影響必須搭配5G NR傳輸使用的通道模型。這也表示通道狀態資訊(CSI)必須在實現適應性連結功能的過程中提供更大的彈性範圍。
5G NR中的關鍵需求之一是支援廣泛頻率,而大規模MIMO(Massive MIMO)技術則是解決相關挑戰的解答,並帶來運用通道特性和極寬頻帶的機會。另外,大規模MIMO技術也讓MU-MIMO的實現成為可能,並可增加整體系統資料傳輸速率。
儘管3GPP R14版本已可支援最多達32個連接埠的大規模MIMO,但在5G NR(即3GPP R15版本)中,大規模MIMO的連接埠數量將直接從32埠起跳,且未來版本預期將增加多達64個或更多天線。
5G的發展趨勢使得波束成型變成一種更複雜,卻又不可或缺的關鍵技術。內建人工智慧(AI)的處理器將有助於克服實現5G波束成型所帶來的挑戰。
5G波束成型須滿足眾多要求
為利用大規模MIMO天線,5G NR傳輸主要的改良之一就是波束成型計畫。視天線陣列架構而定(圖1),系統必須能支援類比、混合與數位模式的波束成型。
圖1 三種5G NR波束成型模式
不同的波束成型計畫需要進階的CSI機制才能掌握特定架構,在5G NR中採用的MU-MIMO法最多能讓12名共同排程使用者在相同的範圍中同時作業。
在5G NR中,除傳輸架構外,通道的狀態資訊也需要使用編碼簿搭配多重面板天線使用。gNodeB會要求下列UE指示,並當成CSI報告送回:
.通道品質指示(CQI)
.預編碼矩陣指示(PMI)
.CSI-RS資源指示(CRI)
.最強層指示(SLI)
.順位指示(RI)
.L1-RSRP
為掌握此複雜情況中的報告同時支援多天線特性,5G NR波束管理及5G NR CSI程序必須支援下列主要編碼簿類型:
I型:SU-MIMO CSI,包括下列項目:
單面板編碼簿:
.根據非預編碼CSI-RS為主的CSI報告
.支援單一使用者及多重使用者MIMO
.包含1-8MIMO層
.支援寬頻與次頻帶預編碼器選擇及共同成相
多面板編碼簿:
.根據非預編碼CSI-RS為主的CSI報告
.根據含面板間共同成相支援的單一CSI法
.支援最多四個天線面板
II型:MU-MIMO CSI,包括下列項目:
非預編碼CSI:
.根據預先定義的編碼簿屬於不同DFT波束的線性組合
.包含1-2MIMO層
.支援寬頻與次頻帶預編碼器選擇及共同成相
預編碼CSI:
.當各連接埠使用選取波束的線性組合成型時,UE會選擇連接埠組合
.包含1-2MIMO層
.支援寬頻與次頻帶預編碼器選擇及共同成相
總而言之,5G NR的連結使用程序必須支援廣泛的複雜CSI及波束管理流程。另外,因5G NR的時槽(Slot)更短,與前一版LTE相比,在UE中處理CSI報告的最大延遲會明顯減少。
AI處理器解決CSI報告挑戰
為了滿足5G NR所帶來的種種挑戰,特別是因導入大規模MIMO而產生的CSI報告難題,CEVA推出了名為PentaG的矽智財(IP)平台。
PentaG是業界第一個專為5G NR設計的IP平台,主要應用是3GPP 5G NR...
小巧/低功耗特性亮眼 Edge TPU鎖定邊緣應用
2018年7月Google在其雲端服務年會Google Cloud Next上正式發表其邊緣(Edge)技術,與另兩家國際公有雲服務大廠Amazon/AWS、Microsoft Azure相比,Google對於邊緣技術已屬較晚表態、較晚布局者,但其技術主張卻與前兩業者有所不同。
Google AI布局逐漸走向邊緣
除了同樣提倡基礎的物聯網閘道器(IoT Gateway)軟體Edge IoT Core、人工智慧/機器學習(AI/ML)軟體Edge ML外,還針對人工智慧/機器學習推出專屬的加速運算晶片,稱為Google Edge TPU(圖1),成為此次盛會一大焦點。
圖1 Google發表僅有1美分銅板面積不到的人工智慧加速運算晶片Edge TPU。
資料來源:Google官網
在Google發表Edge TPU前已發表過Cloud TPU晶片,首次發表是在Google另一個更全面、更盛大的例行年會Google I/O 2016上。Cloud TPU顧名思義用於雲端機房,而TPU是TensorFlow Processing Unit的縮寫,言下之意是針對TensorFlow而設計的硬體加速運算器,TensorFlow則是Google於2015年11月提出的人工智慧框架,是目前諸多人工智慧框架中的一大主流,其他知名的框架如Caffe/Caffe 2、Apache MXnet等。
目前人工智慧框架百花齊放,其他常見的亦有Keras、PyTorch、CNTK、DL4J、Theano、Torch7、Paddle、DSSTNE、tiny-dnn、Chainer、neon、ONNX、BigDL、DyNet、brainstorm、CoreML等。若以簡單譬喻而言,人工智慧的開發撰寫如同文書撰寫,人工智慧框架就如同記事本、Word等文書處理器,功效在於協助與便利開發撰寫。
Google自行開發設計的Cloud TPU僅用於自家雲端機房,且已對多種Google官方雲端服務帶來加速效果,例如Google街景圖服務的文字處理、Google相簿的照片分析、乃至Google搜尋引擎服務等。Google Cloud TPU也改版快速,2016年首次發表後2017年推出第二代,2018年推出第三代晶片(圖2)。
圖2 Google連續三年在Google...
採8奈米製程 三星全新旗艦型行動處理器亮相
因應行動裝置AI應用,三星(Samsung)宣布推出全新高階應用處理器(AP)「Exynos 9 Series 9820」,該產品採用「2+2+4」的三叢式架構,包含2顆三星自行研發的CPU(Mongoose M4),2顆Cortex-A76 核心及4顆Cortex-A55核心,並具備下載速率達2Gbps的LTE Advanced Pro數據機(Modem),以及神經網路處理器(NPU),為行動設備帶來全新的智慧體驗,預計在2018年底量產。值得一提的是,Exynos 9820是採用8奈米製程,而非如華為麒麟980和蘋果A12一樣採用7奈米製程。
三星電子系統半導體市場副總裁Ben Hur表示,隨著AI應用在行動裝置中加速擴展並更加多樣化,處理器需要更高的運算能力和效率;而新推出的Exynos 9820將透過整合 NPU、第四代高性能自製CPU核心,以及2Gbps下載速率的數據機,為智慧行動設備提供全新的效能。
三星指出,和前一代產品Exynos 9810相比,新推出的9820多核性能提升了15%、單核性能最高提升20%,整體效能最高提升40%;並採用Mali-G76 MP12,效能比上一代9810所採用的Mali-G72 MP18增加40%,並減低35%的功耗。
此外,由於9820整合NPU,使得其AI執行效率比前一代產品快了7倍。透過NPU可直接在設備上執行AI相關處理,毋須將指令送至伺服器端,因而能提供更快、更好的AI應用體驗(如臉部識別、拍照環境即時調整及AR/VR等),並確保個人訊息安全性。
至於在網路連線的部分,如前面提到,9820的下載速度最高可達2Gbps(LTE Cat.20 8CA標準),約可在15秒內下載FHD高清電影(3.7GB),上傳速度則達316Mbps(LTE Cat.20 3CA)標準,並支援4×4 MIMO;另外,該產品也可支援4K/150fps或8K/30fps的影像內容,以及10bit HEVC/H.264/VP9的編解碼。
賽靈思連續12季度營收正成長
賽靈思亞太地區的營收占其全球總營收的44%,穩居第一。近日賽靈思分享2019會計年度第二季財報資訊:第二季,達到季度性收入最高紀錄7.46億美元,比去年同期成長19%。達到了賽靈思連續12個季度的正成長記錄。
賽靈思於亞太地區高達44%的市占率,穩居第一。賽靈思在所有的終端應用領域均保持正成長趨勢,在資料中心和通訊領域,與去年同期相同,持續保持大幅增長。近期開發者大會上,資料中心領導廠商華為、阿里巴巴及浪潮的展示也證實了賽靈思在超大型資料中心領域的業務正在從公測到開放給大眾,前景可期。賽靈思在保持核心產品穩定成長的同時,領先的先進技術已成為業務增長的主要來源。
針對下一季度的財報預測也當樂觀。從近期的主題演講和重要宣布中可以感覺到,深鑒的收購、兩款針對人工智慧和資料中心加速產品的宣布,都將為賽靈思進一步的發展提供強大的動能。
ACAP平台彈性/智慧高 Xilinx轉型全面擁抱AI
2012年的ImageNet機器學習影像辨識學術競賽,被喻為是正式掀起這一波人工智慧(Artificial Intelligence, AI)浪潮的關鍵活動之一,GPU平行運算架構在圖形辨識上的高效能,讓深度學習網路可以大幅增加層數,以提升影像辨識準確率;也旋即於2015年以3.57%的錯誤率超越人眼,揭開AI產業化與產業AI化的大門,運算平台除了近期超熱門的GPU之外,CPU、FPGA與新興的神經網路處理器(NPU),更亟欲搶占AI深度學習網路運算與推論市場大餅。
人工智慧發展全面展開,可編程邏輯廠商美商賽靈思(Xilinx)認為,未來已經沒有一個架構可以滿足所有的應用需求,因此該公司正式踏上轉型之路,2018年3月啟動策略轉型工作,宣示從元件廠商轉型為平台廠商,提出自行調適運算加速平台(Adaptive Compute Acceleration Platform, ACAP),並舉辦賽靈思開發者大會(XDF),發表未來幾年的技術與產品重點,全面擁抱人工智慧的發展趨勢,以資料中心(Data Center)為發展策略的起點,目標為打造靈活應變、萬物智慧的世界。
自行調適/運算加速/平台化策略
多年來以可編程邏輯元件技術立足產業的Xilinx,為了在AI的創新浪潮中注入下一波成長動能,啟動成立以來最大規模的轉型工程,Xilinx總裁暨執行長Victor Peng(圖1)表示,在AI無所不在的時代,相關應用日新月異,晶片設計週期已經落後創新的速度,FPGA彈性的特點則可以應用在AI的創新上。目前一般新晶片設計週期高達24個月,透過ACAP平台的協助,可將AI模型加以拆解,變成數個不同的發展(Develop)、優化(Optimize)、部署(Deploy)流程,該平台動態範圍廣泛彈性,可針對不同的應用調整需要的加速範圍。
圖1 Xilinx總裁暨執行長Victor Peng表示,該公司自行調適運算加速平台ACAP目標為打造靈活應變、萬物智慧的世界。
因此Xilinx未來不再是元件供應商,而是平台化解決方案開發與供應商。而資料爆炸、AI興起、摩爾定律放緩,顛覆了原有的市場和業務,Peng認為,平台策略在這樣的大環境下中也就顯得更加重要,系統和基礎設施在全球迅速擴張,對於運算能力和頻寬也有了前所未有的要求。同時,也要更加迅速地滿足不斷變化的要求和標準。就像自然界「物競天擇,適者生存」的自然法則一樣,在數位世界,靈活應變的系統也是最具彈性和可持續性的。
Xilinx於10月推出第一款ACAP平台產品Versal,Peng指出,Versal字面上是由Variety與Universal組合而成,希望在技術與應用上可以兼顧多樣性與通用性。Peng強調,ACAP平台是整體軟體的堆疊,不僅僅是晶片,還包括高整合度工具、最佳化函式庫、作業系統等,還有AI框架標準,只須利用符合業界標準設計的流程就能針對其硬體與軟體進行編程與最佳化,針對整體應用的加速,而不僅止於深度學習網路。
Versal架構專為AI應用開發
Versal的架構將發展兩個系列、六個應用區隔,兩個系列以有無AI核心為主要差異,未搭載AI引擎的系列,運算能力由低至高為Prime、Premium以及HBM三個產品線;而搭載AI引擎的系列,主要以應用區隔為AI核心、AI邊緣以及AI RF系列。未搭載AI引擎系列,針對市場上廣泛適用性進行設計,並就作業負載的連結與線上加速進行最佳化。搭載AI核心的系列,針對雲端、網路以及自駕車應用進行最佳化,該系列配有5個元件,並提供128至400個AI引擎。
在架構上,Xilinx FPGA與SoC產品管理暨行銷資深總監Kirk Saban(圖2)解釋,Versal架構中有幾個主要的核心,包括:純量處理引擎(Scalar Processing Engine),搭載Arm Cortex-A72與Arm Cortex R5應用處理器,還有可完全軟體編程的平台管理控制器;自行調適硬體引擎(Adaptable Hardware Engine),可動態重新配置,即時加速能力最高達八倍;DSP引擎可提供高準確性浮點運算與低延遲,針對客製化資料路徑的細微性控制;AI引擎具有高傳輸率、低延遲與高效率,可協助AI推論與高階訊號處理,搭配先進記憶體和介面技術,可提供強大的異質加速能力。
圖2 Xilinx FPGA與SoC產品管理暨行銷資深總監Kirk Saban解釋,自行調適硬體引擎,可動態重新配置,即時加速能力最高達八倍。
而在軟體支援與開發環境部分,Xilinx軟體業務執行副總裁Salil Raje說,AI人工智慧有兩個階段,訓練和推論。在訓練階段,資料科學家將海量的資料放到模型中,然後微調模型、改善模型以減少誤差,之後將訓練模型部署到應用當中。在推論過程當中,資料量相對較少,在推論階段,回應速度與功耗就顯得更加重要,如果部署在搭載電池的邊緣設備當中,要盡量降低功耗。未來幾年,推論需求的成長性將明顯高於訓練(圖3)。
圖3 AI推論需求將持續攀升
資料來源:Barclays Research(05/2018)
AI創新與應用日新月異
而推論帶來的挑戰包括:AI創新的速度,低延遲、高通量和高效能與整體的應用加速。Raje指出,幾年前AI關注圖像的分類以及推薦的引擎,但是AI應用和AI模型的使用數量成長的速度非常快,包括目標識別、分割、語音辨識、異常檢測等,在每個應用當中都有很多的創新發生在AI的模式上。2012年的AlexNet促成AI模型的大爆炸,在過去六年,絕大多數的創新都是為了改善精確度。最近則是想提高AI模型的效率,以應用於行動裝置和IoT終端。
現在AI的應用、AI模型和精度方面有很多的創新,Raje舉例,有一個最先進的深度學習網路,等專為其設計的晶片生產時,技術已經產生了變化,此固定功能晶片,只為了支援一個舊的網路架構。所以固定晶片架構不是好選項,要靈活應變的硬體如賽靈思FPGA和ACAP元件,使得使用者能夠客製資料流程以針對最先進的網路,同時可彈性調整,而不需更換晶片。靈活應變的硬體也能夠客製記憶體的層次結構,可以用更多的On...
專訪英特爾物聯網事業群總經理Tom Lantzsch Intel新加速器推動邊緣運算發展
此一解決方案包含Intel Movidius視覺處理器與Intel Arria 10 FPGA,皆以OpenVINO軟體工具套件為基礎,提供開發者在多種Intel產品中使用進階的神經網路效能,在物聯網裝置中運行更具成本效益的即時影像分析和智慧化功能。
為了降低雲端運算工作負載,實現更多的創新應用,邊緣運算需求與日俱增,應用開發商與半導體業者皆積極將深度學習或是機器學習導入前端設備,希望使前端裝置也具備人工智慧的能力,而這過程中也有許多挑戰須克服。
英特爾資深副總裁暨物聯網事業群總經理Tom Lantzsch表示,以往企業在導入深度學習技術上遇到許多困難,各種產業都需要專業知識、種類廣泛的多樣化裝置與具擴充性的解決方案,以進一步發展深度學習。而新推出的視覺加速器設計產品可以提供更多的選擇與彈性,加速AI邊緣運算發展,以產出更多即時性資訊。
據悉,新發布的視覺加速器設計產品運作方式,是將AI推論的工作負載轉移至Movidius視覺處理晶片陣列或高效能Intel Arria 10 FPGA的專屬加速卡上;且開發者可透過OpenVINO工具套件,將Intel CPU與Intel內建GPU上的深度學習推論應用與設計成果,輕易延伸至這些全新的加速器設計之中,藉此節省時間與費用。
英特爾透露,相較於Discrete GPU,新推出的視覺加速器產品優勢在於封裝小,可用於體積小的邊緣設備,且功耗更低(約10~20瓦);同時為了因應市場多元的應用,不僅是新發布的Movidius視覺處理器和Arria 10 FPGA以OpenVINO為基礎外,其餘產品線如XEON、CORE i7和ATON等,也都支援OpenVINO,讓開發者依據自身需求選擇合適的晶片,打造具深度學習功能的邊緣裝置。
英特爾資深副總裁暨物聯網事業群總經理Tom Lantzsch表示,新推出的視覺加速器設計產品可加速AI邊緣運算發展。