數據重力與數據慣性，工業與醫療物聯網的老革命遇上了新課題

作為賽靈思(Xilinx)第四大業務部門，工業、視覺、醫療和科學(ISM)部門2019財年實現營收8.1億美元，佔據公司30億美元總收入的27%。賽靈思ISM部門市場總監Chetan Khona，一位在賽靈思工作了19年的老兵，日前對《國際電子商情》記者表示，儘管賽靈思一直以FPGA的發明者而著稱，但真正驅動其在工業領域發展的卻是Zynq SoC。尤其是近兩年來，伴隨著Zynq和Zynq UltraScale+ SoC的正式投產，賽靈思ISM部門的營收實現了2.5倍的增長。

賽靈思工業、視覺、醫療和科學(ISM)部門市場總監Chetan Khona

Chetan Khona援引Forbes的數據稱，目前全球工業物聯網(IIoT)和醫療物聯網(HcIoT)的數據正呈現爆炸式增長態勢——全球90%的數據創建於過去兩年，每天創建的數據是2.5艾位元組(2.5EB，1艾位元組等於10的18次方位元組），2019年將有60堯位元組(60YB，1堯位元組等於10的24次方位元組)用於人工智慧。

對於工業物聯網來說，海量數據首先可以用做預測性維護，從而能夠儘可能降低工廠停工時間，從而保障盈利和利潤；其次，可以做出資產分析來更好的了解客戶的購買習慣，從而創造新的收入流；第三則是連接性。通過遠程診斷和OTA更新延長產品的使用壽命，降低更新換代的成本。對於醫療物聯網來講，通過數據則可以更好的改善醫院和診所的工作效率，並以此提高時間的利用率，提高對患者的服務，改善人們的生活質量。

但與此同時，數據爆炸也帶來了包括穩私問題、隨時間變化的安全性、影響安全性的時延和響應、數據管理成本以及缺乏可靠的互聯網連接在內的諸多問題。一項調查顯示，目前，全球已安裝超過1億台醫療物聯網設備，2020年將增長到1.61億台。受訪的醫療高管表示，在當前阻礙醫療組織採用物聯網的三大障礙中，隱私問題佔59%，原有系統集問題成佔55%，安全問題佔54%。

數據驅動下的邊緣AI與兩化融合

「在談論IIoT和HcIoT的時候，我想強調一下兩個概念：數據重力和數據慣性。」Chetan Khona說這兩個名詞分別由Dave McCrory和Lew Tucker提出，核心理念是強調數據在哪裡收集就應該在哪裡處理，這樣操作的效率和成本都是最優的。換句話說，就是不必把數據運送到處理所在的位置，而是把處理推送到數據所在的位置。

他列舉了兩個實際案例：一是從紐約到洛杉磯的距離是2800英里，如果用光纖傳輸信息，光速為186000英里每秒，往返時間就是30毫秒。但是按照要求，要在10毫秒進行控制。二是一家電廠用於雲數據存儲服務的費用高達每月1.3萬美元。

這說明，無論是遠距離對速率的要求，還是從成本費用的省節來考慮，都需要提高本地化應用部署。

「有很多客戶被灌輸的概念是都要通過數據連接到雲端去解決具體問題。但是賽靈思並沒有採用這樣的方法，我們根據最合理的方式來配置我們的計算資源——適合在器件端解決的就在器件端解決，適合在雲端解決的就在雲端解決。」Chetan Khona認為，應該把智能定義在邊緣，在這些模擬數據邊界上對數據進行處理，是效率和效能最優的方式。

他強調說，賽靈思解決方案可延長市場壽命並提高投資回報率，可以有針對性地在問題痛點的物理位置提供計算資源。這裡有兩個關鍵點，延長市場壽命可以理解為無論未來的處理需求如何演進，賽靈思的產品都能夠提供支持，有足夠的性能作為支撐；而在物理位置提供計算資源則強調了智能的邊緣計算。

除了驅動邊緣智能外，IIoT與HcIoT大數據對開發者創建方式的改變也不容忽視。

10年前，一家公司內部會有多個工程師團隊，他們在設計方面會做出獨立的決策，比如有團隊會選擇PPC、VxWorks、CAN，或是選擇arm、Linux、MQTT，還有人會選擇x86、Windows、OPC UA。他們之所以能夠自主的選擇這些系統，是因為當時這些系統還非常的簡單。但現在情況不同了，IIoT與HcIoT系統日趨複雜，工程師團隊越來越多的開始選擇公共平台。

這集中體現在當前工業界最熱門的「兩化融合」趨勢中。兩化，即信息化(IT),以思科、華為為代表；自動化(OT), 以西門子自動化為代表。兩化融合的過程非常複雜，嵌入式設計不僅要考慮軟體和硬體，還要考慮到與雲開發者(SaaS)之間的信息連接。如果按照10年前的方法，大家各自為政，選用不同的處理架構、操作系統和連接標準，這對嵌入式開發者和雲開發者來說都太困難了，他們雙方需要不斷的去進行調整和改變，但如果能有一個公共的架構和平台幫助雙方非常迅速簡易的去實現對接，那情況將大不一樣。

「根據調查，開發者現在已經把賽靈思視作未來開發使用SoC產品中的前三大工具提供商之一，Zynq和Zynq UltraScale+ SoC是他們的首選。比如Zynq SoC中的Arm系統就能夠為雲開發提供服務，同時還能提供IT和OT的支持，以及提供FPGA的定製化。」

工業與醫療物聯網解決方案堆棧、Alveo加速器卡、互補的邊雲協作是ISM部門的三把利器。

Chetan Khona表示，在工業與醫療互聯網中，一些用戶需要所有方案，一些方案面向所有用戶，而降低開發成本，尤其是軟體開發成本則是大多數人的共同訴求。因此，在堆棧中，賽靈思提供了從晶元架構、功能和網路安全，到嵌入式視覺/軟體，再到EDGE AI和應用的完整解決方案，希望通過將賽靈思在工業領域的傳統優勢(工業實時和確定性控制與介面、工業生命周期、質量、可靠性、安全性、溫度與功耗等)與業界領先的AI時延與性能相結合，幫助客戶開發他們所需要的產品和應用。當用戶不可能去使用多個器件的方案時，如果採用賽靈思的單晶元解決方案就能夠確保高度的集成，達到最高的成本有效性。

這些支持實現低時延、高性能的DNN解決方案，有些是賽靈思自主開發的方案，也有些是去年通過併購深鑒科技獲得的技術和能力，還有些是通過和KORTIQ、HALCON、SiliconSoftware等企業展開合作獲得的。

Chetan Khona根據不同的應用場景對人工智慧的需求有不同的解決方案，簡單來說，性能需求高的AI我們支持低時延、高性能DNN的解決方案，針對輕量型AI則提供Pynq，即Python + Zynq的學習開源解決方案。Pynq是賽靈思幾年前開發的開源產品，考慮到很多年輕工程師最主要使用的編程語言是Python，所以賽靈思藉助很多開源實驗室開發了這一產品，非常受年輕工程師群體的歡迎。

下圖展示的是賽靈思AI計算性能相比高端CPU和GPU時的數據。可以看出，當進行高批量處理時，賽靈思方案性能是GPU的2倍，CPU的43倍；當延時低於7毫秒時，賽靈思對GPU的優勢從2倍擴大到2.5倍，，對CPU則從43倍提升至72倍；如果延時低於2毫秒，對GPU的優勢則將擴大到8倍。

之所以能做到如此突出的邊緣人工智慧性能，Chetan Khona認為靈活的架構和模型剪枝功不可沒。眾所周知，人工智慧和機器學習的架構是快速變化的，兩年前人工智慧推斷最優的精度是16位浮點，但現在普遍認為8位定點是最優的，按照這一趨勢，未來還將從8位定點變為1位定點，使得性能和精度得到不斷提升。這種情況下，不夠靈活的ASIC晶元應對起來就會相當吃力。

另一方面，對一個模型中無用的節點進行剪枝，可以幫助其從低性能轉向高性能，但對精度不會有任何損失，同時也能夠不斷的改善性能，降低功耗。據介紹，知名人工智慧公司曠視的許多攝像頭和其他設備就在使用賽靈思的邊緣人工智慧。

賽靈思Alveo加速器卡是一個集成的開發板，可以幫助客戶另行投入生產，在加速卡里寫入軟體，插入PC卡槽里，就相當於CPU加速卡，加速性能非常明顯。數據顯示，相比傳統方案，Alveo加速器卡可將資料庫搜索和分析、金融計算、機器學習、視頻處理和高性能計算與生命科學能力分別提升90倍、89倍、20倍、12倍和10倍。

而在邊雲協同方面，一個有意思的現象是雲服務提供商正在把部分雲端功能遷移至端側，因為他們發現對工業和醫療物聯網而言云端的延時高，傳輸需求大，客戶花費大量時間進行數據傳輸但結果並不理想。

最近，賽靈思和亞馬遜雲服務進行了一項合作，在Greengrass框架下將部分雲端移動到邊緣，大大減少了數據傳輸和延時的壓力。另外，連接時斷時續也是雲連接存在的情況，如果智能放在邊緣，即使雲端連接丟失也依然能夠正常運行。目前，賽靈思和亞馬遜雲計算、阿里雲、Microsoft Azure、谷歌、IBM都在進行這方面的合作。

賽靈思最新產品ACAP將於2019年下半年發貨，在其首個產品系列Versal產品中，重點面向工業領域的AI Edge， 將作為Versal 的一個子系列產品於2020年面世。按照Chetan Khona的說法，AI Edge既是一種能力，也是Versal的子系列，強調低功耗和高性能，可用於機器視覺、超聲設備和超聲手持設備等系統。目前，Zynq SoC和Zynq UltraScale+ SoC中均已部署了AI Edge，他相信等部署完畢之後，AI Edge可以將功耗尺寸做到最低，為機器學習及其他人工智慧領域提供最佳性能。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！