畅想未来系统的构建

　　和 SoC 针对一系列计算密集型工作负载提供最高效、最具成本效益、时延最低、最具设计灵活性并且满足未来需求的计算平台。

　　为了满足不断攀升的数据处理需求，未来系统需要在计算能力上大幅改进。传统解决方案（例如 x86 处理器）再也无法以高效、低成本的方式提供所需的计算带宽，系统设计人员必须寻找新的计算平台。

　　为新时代提供必要的计算效率和灵活性，本将对 GPU 以及赛灵思 FPGA 和 SoC 器件进行分析。

　　未来系统（例如云数据中心 [DC] 和自动驾驶汽车）需要在计算能力上大幅改进，以支持不断增多的工作负载以及不断演进的底层算法参考资料1]。例如，大数据分析、机器学习、视觉处理、基因组以及高级驾驶员辅助系统 (ADAS)传感器融合工作负载都在促使计算性能能以低成本、高效的方式实现提升，并且超出现有系统（例如 x86 系统）的极限。

　　系统架构师正在寻找能满足要求的新计算平台。该平台需要足够灵活，以便集成到现有的架构中 , 并支持各种工作负载及其不断演进的算法。此外，这些系统很多还必须提供确定性的低时延性能，以支持实时系统（例如自动驾驶汽车）所需的快速响应时间。

　　图形处理单元 (GPU) 厂商非常积极地将 GPU 定位成新时代计算平台的最佳之选，主要依据其在机器学习训练的高性能计算 (HPC) 领域取得的成功。在此过程中，GPU 厂商针对机器学习推断工作负载修改了他们的架构。

　　然而，GPU 厂商还是忽视了基本的 GPU 架构的局限性。这些局限性会严重影响 GPU 以高效、低成本方式提供必要的系统级计算性能的能力。例如，在云端 DC 系统中，对工作负载的需求在一天内会发生很大变化。此外，这些工作负载的底层算法也会发生快节奏变化。GPU 架构的局限性会阻止很多今天的工作负载和明天形成的工作负载映射到 GPU，导致硬件闲置或低效。本的“GPU 架构的局限性”部分对这些局限性进行了更详细介绍。

　　相反，赛灵思 FPGA 和 SoC 具有众多关键属性，使它们非常适合解决未来系统要求所提出的种种挑战。这些独特属性包括 ：