賽靈思 All Programmable FPGA 和 SoC 針對一系列計算密集型工作負載提供最高效、最具成本效益、時延最低、最具設計靈活性并且滿足未來需求的計算平臺。

點擊“閱讀原文”，可下載完整的中文版 WP492

未來系統（例如云數據中心 [DC] 和自動駕駛汽車）需要在計算能力上大幅改進，以支持不斷增多的工作負載以及不斷演進的底層算法 [ 參考資料 1]。例如，大數據分析、機器學習、視覺處理、基因組以及高級駕駛員輔助系統 (ADAS) 傳感器融合工作負載都在促使計算性能能以低成本、高效的方式實現提升，并且超出現有系統（例如 x86 系統）的極限。

系統架構師正在尋找能滿足要求的新計算平臺。該平臺需要足夠靈活，以便集成到現有的架構中 , 并支持各種工作負載及其不斷演進的算法。此外，這些系統很多還必須提供確定性的低時延性能，以支持實時系統（例如自動駕駛汽車）所需的快速響應時間。

圖形處理單元 (GPU) 廠商非常積極地將 GPU 定位成新時代計算平臺的最佳之選，主要依據其在機器學習訓練的高性能計算 (HPC) 領域取得的成功。在此過程中，GPU 廠商針對機器學習推斷工作負載修改了他們的架構。

然而，GPU 廠商還是忽視了基本的 GPU 架構的局限性。這些局限性會嚴重影響 GPU 以高效、低成本方式提供必要的系統級計算性能的能力。例如，在云端 DC 系統中，對工作負載的需求在一天內會發生很大變化。此外，這些工作負載的底層算法也會發生快節奏變化。GPU 架構的局限性會阻止很多今天的工作負載和明天形成的工作負載映射到 GPU，導致硬件閑置或低效。本白皮書的“GPU 架構的局限性”部分對這些局限性進行了更詳細介紹。

相反，賽靈思 FPGA 和 SoC 具有眾多關鍵屬性，使它們非常適合解決未來系統要求所提出的種種挑戰。

本白皮書的“賽靈思 FPGA 和 SoC 的獨特優勢”章節介紹了賽靈思架構的優勢，并與 GPU 架構及其局限性進行對比。

GPU 的起源和目標工作負載

GPU 架構的局限性

● SIMT ALU 陣列

●離散數據類型精度支持

●嚴格的存儲器層級和軟件定義數據類型

●有限的 I/O 選項

●片上存儲器資源

●功耗及功能安全性

Xilinx FPGA 的起源

Xilinx FPGA/SoC 的獨特優勢

●計算能力

●效率與功耗

●全可編程的靈活性

●任意互聯的 I/O 靈活性

●片上存儲器

●功能安全性

點擊“閱讀原文”，可下載完整的中文版 WP492