預計未來幾年，迅速發展的自動駕駛汽車和嵌入式物聯網等“邊緣”網絡設備將給制造商帶來困境，制造商希望通過使用智能設備讓它們具有機器學習能力，但是目前還沒有較好的解決方案，他們打算先測試神經網絡，調查市場的需求。

他們認為，一家成立了六年的公司Efinix可以解決他們的問題。Efinix總部位于圣克拉拉，這家公司一直在改進可編程芯片。現在它已經可以為客戶提供一些部件用于人工智能領域的測試，之后一旦開發出合適的神經網絡，就可以批量生產芯片來為這些網絡服務。

在老牌半導體分析公司Linley集團主辦Linley Group秋季處理器會議期間，該公司首席執行官Sammy Cheung與ZDNet談論了Efinix的技術。他說:“我的一個客戶是一家來自***的相機公司，他們設計和銷售的每一款聯網相機最初可能只有數萬臺。他們不知道如何去追逐擁有數百萬臺產品的市場，不過現在他們可以追求更大的銷量了。

人工智能在這些設備上的任務是“推理”，當神經網絡使用它在訓練階段所學到的知識來回答新問題時，這是機器學習的一部分。雖然Nvidia的GPU芯片在數據中心機器學習的訓練階段占據了主導地位，但是依靠電池供電的設備需要低功耗的芯片才能有效進行推理。隨著市場競爭的加劇，邊緣計算領域的芯片也越來越成熟，其中Cornami和Flex Logix也進入了這一領域。

Efinix提供了一種名為“Quantum”的解決方案，它將FPGA和電路可重新編程的芯片結合在一起，其中ASIC芯片的電路在制造時就已經固定下來了。

Cheung認為像聯網相機制造商這樣的企業可以先從Efinix的FPGAs開始，嘗試不同的神經網絡，隨著神經網絡的發展而改變電路。一旦供應商對他們的設計感到滿意，他們就可以轉向使用FPGA和ASIC電路的Quantum組合芯片，這樣可以獲得更高的性能。

FPGA已經成為一種越來越流行的機器學習方法：微軟將它們用于“腦電波”神經網絡項目，該項目支持許多基于云的服務，如Bing和Cortana。英特爾和賽靈思多年來一直主導著FPGA市場，微軟在英特爾的基礎上開發了Brainwave。

但Altera和Xilinx都忽略了新興市場，他們正在研發的是功耗達到數十瓦的大型芯片，而Efinix的目標則是可能那些功耗只有一瓦但可以運行神經網絡加速器的設備。Cheung表示“Altera和Xilinx只專注于高端市場，這樣他們永遠無法成為主流。”

雖然使用FPGA會比較昂貴，但Cheung表示其部件的開發成本比傳統FPGA要低得多，而且僅比更便宜的解決方案ASIC的成本高出約25％。

此外：谷歌表示人工智能的“指數”增長正在改變計算的本質

正如Cheung在會議上所解釋的那樣，量子技術的關鍵在于構成芯片的數千個計算“元素”。傳統的FPGA具有計算集群，可以執行神經網絡所需的“多重累積”等數學運算。它們依靠計算機周圍電線路由信號進行通信，但是這種設計就像棋盤一樣，當進行數據傳輸時很容易造成阻塞。

對于Efinix，每個集群都可以執行計算或路由功能。這意味著芯片的各個區域可以根據需要進行處理和移動數據，就像在城市規劃中添加了新的道路，這就大大減輕了數據阻塞的風險。

和其他資金規模達到一億美元以上的公司相比，擁有40名員工的Efinix運營更加穩健。到目前為止，該公司已經獲得了2600萬美元的資金。他希望Efinix在19年有機會扭虧為盈。