日前，AMD“自适应和嵌入式产品技术日”活动在苏州举办，AMD 全球副总裁唐晓蕾发表了题为《“芯”科技加速创新落地》的主旨演讲，着重介绍了自适应计算如何在汽车、工业、医疗、音视频以及TME（测试、测量与仿真）等核心市场加速创新。
距去年2月AMD官宣完成对赛灵思的收购已过去一年多，从唐晓蕾的分享中可以看出，自适应计算理念和平台技术在双方产品基础之上得到了更进一步的拓展，能够在软硬件平台和系统级提供更为强大的加速计算。
(资料图片)
AMD 全球副总裁唐晓蕾进行主题演讲
汽车迭代周期加快，异构计算助力变革
整个汽车行业正面临前所未有的改变，智能化转型在快速进行。据唐晓蕾介绍，随着与Tier1、OEM的交流增多，发现不同技术路线、落地方式都有不同的方向。其中，自动驾驶主要主要朝Robotaxi的方向发展，传统汽车或新能源汽车更强调沉浸式体验、智能驾舱以及提升驾驶员安全感。
智能座舱方面，AMD提供信息娱乐控制台、数字集群以及乘客显示屏来创造沉浸式智能座舱。其中，乘客显示屏能够让乘客感到更加真实的世界，是沉浸式座舱的一个重要应用场景。
此外，安全是汽车永远的主题，AMD在ADAS中加入前视摄像头、车舱内监控以及泊车、环绕视图方案来创造安全行车体验。传感系统方面，AMD打造了更高级的安全传感器并提供相应的解决方案。随着传感器的升级，激光雷达、4D雷达都是AMD在关注的应用领域。目前，AMD在机器出租车、最后一公里送货车以及商用车队等方面提供了一系列解决方案。
汽车正在经历从机械到电子再到智能化的巨大变革过程，汽车行业与半导体公司也正在产生前所未有的紧密耦合，以满足发展所需的更强算力。唐晓蕾强调，这个融合过程是数据驱动的，在这个领域，AMD的独特之处在于能够将CPU、GPU、FPGA等芯片技术融合到一起，帮助汽车行业客户实现大数据计算的转型，并且，异构计算能够更好地平衡功耗和算力。
“当今汽车行业很卷，迭代周期、产品升级已经不能满足汽车的设计周期，市场对于ASIC设计周期的需求大大加快，”唐晓蕾表示，“ AMD的自适应平台给客户提供了不一样的产品设计体验。虽然迭代速度加快、应用场景增加，我们仍然希望能提供一个可扩展的平台给客户使用。”
自动驾驶方面，对算力有非常高的要求。唐晓蕾认为， AMD在这个领域的优势在于有非常强的x86 CPU做真正的控制，并且在计算方面，CPU、GPU结合FPGA能够使车载网络更高效，能够帮客户不断升级迭代以及进行自适应计算。
大模型下沉至边缘，自适应计算如何满足需求？
AI因ChatGPT再次成为热门话题，唐晓蕾认为，ChatGPT只是AI的起点，大模型会随着参数的增加和算法的提升变得更加聪明，真正让AI改变我们的生活和世界还有很长的路要走。
“AI发展是黎明时期，尽管我们以惊人速度前进，仍然追赶不上数据的产生和对AI的需求。”唐晓蕾表示，“我相信对AI或对计算能力的需求，将会是未来十年对所有人的挑战。这不仅涉及对能源、算力的需求，还关系到整个环境改变的需求，这是一种大势。”
为了将灵活、高效的能力赋予AI计算，AMD打造了XDNA自适应架构IP，主要用于AI以及传统的信号处理和数据流之间的架构。
据唐晓蕾介绍，XDNA带有本地存储器和数据移动器的高度可扩展引擎阵列，基于FPGA和自适应SoC编译算法专业知识而推出。其中，AI引擎可以让AI和信号处理实现高性能和高能效，同样FPGA架构也有类似优势。据透露，未来XDNA IP也将更多应用于Chiplet。首款基于AMD XDNA架构的Alveo V70加速卡已推出，主要针对 AI推理效率设计，可针对视频分析及自然语言处理应用进行调整。
随着大模型机遇逐渐从云端传导至边缘，AMD如何通过自适应计算满足AI应用需求？
唐晓蕾表示，大模型从云开始驱动，但在对时延敏感的领域需要边缘侧的轻量级大模型。这些模型往往不需要几亿参数，可能只需要关注几个点进行训练。由于使用场景多样，边缘侧不太可能出现一款统一的ChatGPT，而是每个模型根据自身场景进行优化。她认为，自适应计算更适合复杂应用场景，也将对边缘AI的落地应用提供巨大助力。
当前，很多公司都在进行AI相关的应用研究，一些公司在进行AI项目前通常会使用FPGA做验证，对复杂应用会选择大型芯片，而对于简单的应用则会选择小芯片。但是在场景确定后，通常会选择ASIC芯片。这对于FPGA的长远应用是否带来一定的压力？
对此，唐晓蕾认为，当场景中的种种要素还未确定时，固化一个ASIC并不容易。对AMD来讲，会坚持保留AIE（AI引擎）的特性，且目前看来，AIE是其所能提供的最优解。这对用户意味着，未来整体平台不需要太大改动，便于他们在一致的平台上形成经验积累，并且能够快速实现想法、快速落地。
AMD官网显示，他们目前主要提供两种类型的AI引擎：AIE和AIE-ML（机器学习 AI 引擎）。与上一代 FPGA 相比，这两种 AI 引擎的性能都得到了显著提升。
其中，AIE可加速一组更加平衡的工作负载，包括ML推理应用和波束形成及雷达等高级信号处理工作负载，以及需要大量滤波和转换的其它工作负载；AIE-ML通过增强的AI向量扩展以及在AI引擎阵列中引入共享内存块。二者各有侧重优势，在以ML推理为中心的应用中，AIE-ML性能更高；而在高级信号处理方面，AIE性能更高。这两类AIE，便于为信号处理和机器学习的异构工作负载提供推理加速。
核心领域协同效应放大
AMD完成对赛灵思收购后，整体处理能力得到了进一步提升，在工业、视觉、医疗系统等高算力领域将产生更大的协同效应。
在工业智能制造领域，AMD通过数字孪生技术能够让工程快速精准落地，在智能仓储应用场景，使物流解决方案更加高效。在工业机器人方面，AMD致力于让自动化的流程更顺畅、实现更精准的控制。
在产品验证方面，正在从人眼验证向机器验证、智能视觉检测转型。这个过程涵盖了非常多底层技术，AMD希望通过传感、控制、计算与联网等底层技术，让数据更加有效地完成使命，推动中国制造走向中国智造。
医疗领域创新活跃的应用包括内窥镜系统、医疗超声、手术机器人、大型扫描仪器，以及病患护理等。AMD的可实时调节性以及灵活的计算处理，因此在内窥镜分辨率方面有明显的竞争优势；在医疗超声方面，AMD落实可视化、智能化，以提升整体医疗系统效率，在信号的实时处理方面得到很大推广。手术机器人方面，通过5G网络和AI机器学习推理实现手术指导以更好地应用医疗资源；在CT、MR及大型扫描仪方面，AMD平台支持图象重构的卸载和加速处理，使得成像密度越来越高。
在工业、医疗、视觉等复杂应用场景，有着多样化的应用需求，因此对自适应计算也有非常独特的需求。AMD把SoC、FPGA组合在一起，能够提供更高效的生产线，更快速地满足客户的资源配置需求。
唐晓蕾表示，“AMD在对赛灵思完成收购后非常重视协同效应，我们致力于发掘内部资源、客户应用场景和销售渠道等方面的协同效应。目前我们仍处于学习阶段，对于协同效应的具体形式：比如是否引入Chiplet技术？是在产品层面协同、或者先从客户应用开始协同？……这是整个公司共同努力的事，我们希望给客户带来1+1＞2的效果。为了实现这一目标，我们需要与不同客户共同协商制定方案并提供定制化服务，这也是我们‘同超越，共成就’的含义。”
