超大规模云计算中心、电子商务和社交网络数据中心，正面临着数据类型复杂的工作负载加速难题。

　　数据中心加速的主要途径

　　传统CPU处理能力的需要突破已经成为共识，目前的途径主要有以下几类：

　　途径一，ASIC：经历了几十年的发展演变，为专门目的而设计的ASIC，由于面向特定用户的需求，在加速效率上可圈可点。但是，设计周期长、成本贵、应用范围窄的通病，使ASIC仅适合于批量很大或者对产品成本不计较的场合。

　　途径二，GPU：随着近年来机器学习等领域的突飞猛进，GPU也早已经不再局限于3D图形处理，其在浮点运算、并行计算等部分计算方面的特性已经引起业界越来越多的关注，尤其是目前最大的独立芯片生产销售商NVIDIA有些如日中天的感觉，但其在应用广度上的通用性仍然有待时间的检验。

　　途径三，FPGA：它作为半定制的ASIC而出现，既解决了定制电路的不足，又在性能与应用广度上显示出优势，英特尔已经积极布局，推出CPU+FPGA架构，赛灵思池化FPGA近期取得的一些新成果，也使FPGA进入数据中心加速的主角地位。

　　赛灵思数据中心加速器取得重大进展

　　日前，赛灵思在2016全球超算大会(SC 16)上宣布推出一套全新的技术——赛灵思可重配置加速堆栈方案，旨在帮助全球最大的云服务供应商快速开发和部署加速平台。通过赛灵思FPGA，该方案比x86服务器CPU提高40倍;比竞争型FPGA方案提高了6倍。

　　赛灵思全球战略高级副总裁Steve Glaser和云战略总监Andy walsh对赛灵思最新的FPGA动态可重配置堆栈技术进行了详细的介绍。

　　超大规模工作负载中，赛灵思FPGA的单位功耗性能与CPU对比

　　与服务器CPU的性能对比，单位功耗性能在机器学习推断方面提高了11倍;数据分析SQL查询方面提升了33倍;视频处理转码提高40倍;存储压缩提高40倍;网络vSwitch可提高23倍。

　　在以计算效率和加速器利用率所组成的象限中，赛灵思池化FPGA的单位功耗性能实现了比Altera FPGA高2-6倍，相关产品将在明年上市。

　　数据中心加速主要途径比较

　　问题一：赛灵思FPGA VS. 英特尔集成式MCM CPU+FPGA

　　赛灵思全球战略高级副总裁Steve Glaser认为，在代表应用广度的横轴和加速器利用率的纵轴所组成的象限图中，赛灵思池化FPGA在超大规模网络应用方面已经遥遥领先;英特尔注意到FPGA的优势，但其集成式MCM CPU+FPGA目前只能解决中小企业的问题。

　　问题二：赛灵思FPGA VS. 英伟达GPU

　　面对日益火爆的GPU，Steve指出，GPU和定制ASIC在应用广度方面与FPGA相比远远不足;以机器学习市场为例，英伟达GPU擅长的培训领域只占机器学习5%的市场规模，其余包括推断计算等占机器学习95%的市场则是赛灵思FPGA角逐的天下。而赛灵思池化FPGA将机器学习推断计算效率提升了2-6倍。

　　回顾一下赛灵思在云计算加速领域的重要里程碑事件：

　　赛灵思近年来在加速领域的里程碑事件

　　2014~2015年，赛灵思与高通、IBM等公司展开合作，并在业界推出首款20纳米和16纳米数据中心产品，比竞争对手提前了1年又1个季度。此外，赛灵思还积极推动制定行业标准的CCIX联盟的发展。

　　目前，全球七大超大规模云服务公司中，已有3家采用了赛灵思FPGA，其中：

　　百度采用了赛灵思技术作为数据中心的池化资源部署，以及用于无人汽车和语音的机器学习;前不久，百度宣布利用赛灵思技术使序列分析提升了10倍。

　　微软宣布，为实现服务器上的网络加速，其数据中心已经大规模部署赛灵思FPGA技术搭建加速器架构，以分配越来越高的工作负载。

　　亚马逊不久前公布在弹性计算云上实现了FPGA即服务。保险定价公司AON、基因序列测试公司edico genome、机器学习公司TERADEEP等亚马逊合作伙伴都已经宣布采用了AWS F1实例。

　　初创型技术公司也是赛灵思重要的用户类型之一。

　　DEEPHI TECH是一家初创公司，携手赛灵思推出用于机器学习推断的FPGA平台，以及用于部署的超高效神经网络，与GPU相比效能甚至提高了10倍。

　　使用赛灵思FPGA的单个服务器与整个机架的CPU性能对比

　　可重配置加速堆栈：行业标准的开发与部署

　　随着互联网和物联网的大规模应用，未来很多工作负载将是今天的我们所无法想象的。

　　赛灵思云战略总监Andy walsh介绍，赛灵思可重配置加速堆栈的第一层平台开发版在不久前已经推出，主要用于超大规模数据中心部署，以及基于云的开发环境。

　　在中间的应用开发层，赛灵思提供了集成框架;用于机器学习、分析和视频的应用函数库;以及针对UltraScale FPGA优化的数学函数库。

　　在上层，赛灵思对OpenStack提供了支持，可进行云配置与管理;支持UltrascaleFPGA;2017年将推出Ocata 版。

　　赛灵思加速堆栈

　　“如果您是一家主攻机器学习推断的公司，赛灵思池化FPGA是最佳的选择。”Andy说。

　　点评：

　　赛灵思的优势在于可编程，可优化，可重新配置。

　　机器学习的训练在于浮点计算，这是GPU所增强的部分，但是这只占机器学习5%的工作，一旦进入大规模应用，GPU在推断方面不足正是赛灵思FPGA的优势，而这部分工作占了机器学习90%以上的工作量。

　　在云计算与物联网大爆炸的时代，随着机器学习市场的逐步成熟，赛灵思的池化FPGA可重配置加速堆栈可谓是如鱼得水。让超大型网络公司可以轻松地解决掉80%的工作。百度、亚马逊、微软等公司对赛灵思的认可，证明赛灵思已经在业界树立起一流数据中心加速解决方案供应商的地位。

　　责任编辑：DJ编辑