详解FPGA人工智能时代的驱动引擎(石侃)

书: https://pan.baidu.com/s/1xhc2t938Uhd6HLI6pHjlVg?pwd=77ya
笔记如下：

1. FPGA基础架构

1. 可编程逻辑单元（CLB）：基于查找表（LUT）实现组合逻辑，配合触发器（FF）完成时序电路。
2. 布线资源：全局与局部互连网络决定信号延迟，是性能优化的关键。
3. 异构计算：集成ARM核（如Xilinx Zynq）实现“CPU+FPGA”协同计算。

2. AI加速设计方法

4. 并行计算优势：FPGA的流水线架构适合矩阵乘（GEMM）、卷积（CNN）等并行计算。
5. 量化与压缩：AI模型从FP32→INT8量化，减少资源占用（DSP块利用率提升3-5倍）。
6. 专用架构设计：
   • 脉动阵列（Systolic Array）优化数据流；
   • Winograd算法减少卷积计算量。

3. 开发工具与流程

7. 高层次综合（HLS）：用C/C++描述算法（如OpenCL），自动生成RTL代码，降低开发门槛。
8. 优化策略：
   • 循环展开（Unrolling）提升并行度；
   • 数据流（Dataflow）实现任务级流水。
9. IP核复用：调用预置AI加速核（如Xilinx DPU）缩短开发周期。

4. 性能与功耗

10. 能效比：FPGA的每瓦算力优于GPU（如INT8推理达10 TOPS/W）。
11. 动态调频：根据负载调整时钟频率（如从100MHz→1GHz），平衡延迟与功耗。
12. 内存优化：
    • 片上BRAM缓存数据，减少DDR访问；
    • 数据复用（Data Reuse）降低带宽需求。

5. 行业应用案例

13. 边缘AI：
    • 无人机实时目标检测（YOLO+FPGA，延迟<5ms）；
    • 工业质检（缺陷识别推理速度提升20倍）。
14. 数据中心：
    • 微软Catapult项目用FPGA加速Bing搜索排名；
    • AWS F1实例部署定制化AI推理。
15. 自动驾驶：
    • 激光雷达点云处理（FPGA延迟确定性优于GPU）。

6. 趋势与挑战

16. AI专用FPGA：
    • Xilinx Versal集成AI引擎（AIE）；
    • Intel Agilex支持BF16浮点加速。
17. 软硬件协同：
    • TVM、Vitis AI等编译器优化模型部署；
    • 开源工具链（如Verilator）降低生态壁垒。
18. 安全加固：
    • 比特流加密防止IP盗用；
    • 侧信道攻击防护（如功耗分析对抗）。

7. 对比其他硬件

19. FPGA vs. GPU：
    • FPGA：低延迟、可定制、能效高；
    • GPU：高吞吐、通用性强。
20. FPGA vs. ASIC：
    • FPGA：灵活迭代，适合算法未固化场景；
    • ASIC：量产成本低，但流片风险高。