详解FPGA：人工智能时代的驱动引擎观后感
本书大目录
第一章 延续摩尔定律
第二章 拥抱大数据的洪流
第三章 FPGA在人工智能时代的独特优势
第四章 更简单也更复杂——FPGA开发的新方法
第五章 站在巨人肩上——FPGA发展新趋势
文章目录
第一章 延续摩尔定律
在学这一章节的时候，我抱着几个问题去书里寻找答案
1. 为什么会诞生FPGA呢？
由于最一开始的硬件芯片是逻辑门器件（或门、与门、异或门或查找表LUT等）固化在芯片上，不能进行修改，就行《三体》里的人型计算机，在确定好各个逻辑位置后，就不再改变，会一直按照当前设计的功能进行运行。这时就会有人提出为什么给这个芯片设计一个可以修改的功能，这就有了通过某种方式对逻辑门器件进行排列组合进行修改，这个想法就是FPGA最开始诞生的影子。
2. GPU，CPU，和很多专用芯片都可以编程，FPGA与之有何不同？
FPGA是对逻辑门器件进行编程，而专用芯片是基于当前硬件基础进行编程。例如FPGA在编程中只需要少量器件，就可以将其他不用的器件关闭，而其他芯片则不能控制硬件底层的编程。
3. FPGA有什么优势？（为什么要用到FPGA？）
原因1： 由于上一点所说的，FPGA可以控制底层逻辑门器件的编程，所以在专用器件流片之前，可以用FPGA进行逻辑和功能测试，直到满足专业器件功能且尽量用到最少器件的时候，再进行流片，这样会大大减小流片的成本以及元器件数量减小带来的成本。
原因2： EEPROM和闪存发明，使现场可编程（FP）成为了可能。这样以来就不需要将芯片返厂进行原本的紫外线设置光擦除修改电路，而是直接烧写即可修改芯片逻辑门器件的排列组合。
原因3： 在摩尔定律逐渐逼近极限，想要进一步延续低成本、低功耗、高速率的发展趋势，就需要不断通过FPGA创造和设计新颖的芯片架构和系统。又由于FPGA的异构计算，可以将乘法器、DSP单元、片上存储器等专业逻辑单元添加至FPGA，使其具有更多的应用场景。
4. 赛灵思ACAP（2020）
ACAP并不是FPGA，而是整合了硬件可编程逻辑单元、软件可编程处理器，以及软件可编程加速引擎的下一代计算平台，是赛灵思“发明FPGA以来最卓越的工程成就”
创新点1：采用来AI加速引擎，可以用来加速神经网络的计算时间和其他常见应用的数学计算和信号处理
创新点2：片上网络NoC，不仅减少布线压力，而且编译时只对修改部分进行编译，大大减小编译时长。
创新点3：可编程逻辑结构CLB面积增大四倍，因为内部连接比全局布线更快；查找表LUT增加一个输出。
创新点4：采用第四代3D硅片堆叠技术SSI，采用更多的互联通道，延时下降30%
ACAP官网介绍：
5. 英特尔Agilex FPGA（2019）
在这个大背景下，10nm Agilex FPGA应运而生。它既包含了传统FPGA灵活的可编程性，又结合了现代FPGA基于异构架构的敏捷性，因此能够同时适用于众多应用领域，并针对不同的应用场景进行配置和快速迭代。
创新点1： 与现有的英特尔FPGA相似，Agilex也使用了EMIB技术提供多个异构硅片之间的高速互连，特别是可编程逻辑部分与不同速度的收发器Tile之间的连接。
创新点2： 由于架构将逻辑阵列分为很多单元，因此时延较大。为了减小延时，Agilex对最小逻辑单元ALM做了不少架构升级。
创新点3：由于英特尔CPU很牛，所以FPGA的一个主要应用场景是在数据中心里作为CPU的硬件加速器，用来加速各类应用，如深度学习的模型训练、金融计算、网络功能卸载等。目前CPU的硬件加速器都是GPU。
Agilex FPGA官网介绍：
https://www.intel.cn/content/www/cn/zh/products/details/fpga/agilex.html
第二章 拥抱大数据的洪流
这一章主要介绍了FPGA在处理大数据中扮演什么角色。
后面继续更新