FPGA边缘计算-速核电子公司-FPGA边缘计算卡

边缘设备智能化的基本要求

将计算基础架构从数据中心扩展到边缘这一主张，得到了越来越广泛的共识。诸如联邦学习之类的概念，通过共享的预测模型进行协作学习这种方式，将标准集中式机器学习(ML)方法从数据中心转移到手机——在将数据存储到云的需求中，消解了对可实现ML能力的要求。5而各种深度神经网络(DNN)，每天都在发展、以更好地赋能基于边缘的处理功能。成功地将智能带到边缘设备也带来了与传统的AI不同的商机——例如：个性化购物，基于AI的助手;或在制造设施中进行预测分析。边缘/雾计算的应用，比如：车辆的自动驾驶;需要复杂反馈机制的机器人技术的远程控制;甚至是使用ML、可更好地管理可再生能源的智能电网终端设备;以及在电网中对本地电能使用进行预测分析。对于此类应用，FPGA边缘计算卡，成功实施AI的主要决定因素包括：成本效益低功耗可重构性/灵活性尺寸

边缘计算

边缘计算并非是一个新鲜词。作为一家内容分发网络CDN和云服务的提供商AKAMAI，早在2003年就与IBM合作“边缘计算”。作为世界上很大的分布式计算服务商之一，当时它承担了15-30%的网络流量。在其一份内部研究项目中即提出“边缘计算”的目的和解决问题，并通过AKAMAI与IBM在其WebSphere上提供基于边缘Edge的服务。 

对物联网而言，边缘计算技术取得突破，意味着许多控制将通过本地设备实现而无需交由云端，处理过程将在本地边缘计算层完成。这无疑将大大提升处理效率，减轻云端的负荷。由于更加靠近用户，还可为用户提供更快的响应，将需求在边缘端解决。

如何理解边缘计算

近年来，大数据、云计算、智能技术的快速发展，FPGA边缘计算，给互联网产业带来了深刻的变革，也对计算模式提出了新的要求。大数据时代下每天产生的数据量急增，而物联网等应用背景下的数据在地理上分散，并且对响应时间和安全性提出了更高的要求。云计算虽然为大数据处理提供了很高的计算平台，但是目前网络带宽的增长速度远远赶不上数据的增长速度，网络带宽成本的下降速度要比 CPU、内存这些硬件资源成本的下降速度慢很多，同时复杂的网络环境让网络延迟很难有突破性提升。因此传统云计算模式需要解决带宽和延迟这两大瓶颈。在这种应用背景下，边缘计算应运而生，FPGA边缘计算平台，并在近两年得到了研究者的广泛关注。

边缘计算中的边缘指的是网络边缘上的计算和存储资源，这里的网络边缘与数据中心相对，无论是从地理距离还是网络距离上来看都更贴近用户。边缘计算则是利用这些资源在网络边缘为用户提供服务的技术，使应用可以在数据源附近处理数据。如果从仿生的角度来理解边缘计算，我们可以做这样的类比：云计算相当于人的大脑，边缘计算相当于人的神经末端。