人工智能（AI）以往需要非常龐大的運算量才能實現，因此必須在云端數據中心由服務器執行。但隨著AI走向專用化，加上開發工具跟環境漸趨成熟，以及半導體組件技術的效能不斷精進，現在已有部分AI應用可直接內建在各類終端裝置上，或采取某種混合架構。

人工智能以往需要非常龐大的運算量才能實現，因此必須在云端數據中心由服務器執行。但隨著人工智能走向專用化，加上開發工具跟環境漸趨成熟，以及半導體組件技術的效能不斷精進，現在已有部分人工智能應用可直接內建在各類終端裝置上，或采取某種混合架構。

人工智能（AI）從云端服務器走向網絡邊緣，直接內建到各類物聯網（IoT）裝置，已經成為擋不住的發展趨勢。不過，由于這個趨勢才剛開始成形，因此絕大多數的人工智能應用開發都得從零開始，即便是具備相當規模跟資源的團隊，都顯得有些吃力，規模較小的開發團隊，則普遍面臨開發進度緩慢的挑戰。

有鑒于此，現場可編程門陣列（FPGA）供貨商賽靈思（Xilinx）宣布，將在其現有的嵌入式視覺解決方案基礎上，強化對機器學習（MachineLearning）等人工智能功能的支持，并推出reVISION軟件堆棧。

現成組件庫加快產品開發流程

賽靈思工業、科學、醫療（ISM）營銷資深技術經理羅霖（圖1）表示，人工智能已經成為科技產業發展的重要趨勢，而且從核心（數據中心）往邊緣（各類聯網裝置）擴散的態勢十分明顯。不過，由于缺乏對應的函式庫（Library）等軟件堆棧輔助，應用開發者經常必須從頭到尾靠自己的力量進行開發，因此項目開發的時程很長，而且需要耗費大量人力。

圖1賽靈思ISM營銷資深技術經理羅霖指出，人工智能

從云端朝網絡邊緣擴散，將是未來科技產業發展的一大趨勢。

事實上，在整個人工智能應用開發的過程中，現有的軟硬件解決方案供貨商，大概只能協助開發者解決其所遇到的少部分問題，絕大多數的算法撰寫、訓練工作，都得靠開發者自己想辦法解決。常有人工智能應用開發者打趣地說，人工智能應該改名叫「工人智能」，因為所謂的人工智能應用，往往是他們這些開發者辛苦奮戰大半年，耗盡腦力才開發出來的心血結晶。

為了解決這個問題，進而加速人工智能應用的普及，賽靈思宣布推出reVISION軟件堆棧解決方案。全新reVISION堆棧可讓對硬件設計不熟悉的軟件及系統工程師，也能夠更容易、更快速地開發支持人工智能的嵌入式視覺應用。這類應用涵蓋高階消費類產品、汽車、工業、醫療、以及航天與國防等領域，以及新一代的應用包含協作機器人、具備感測與碰撞規避功能的無人機、擴增實境、自動駕駛車、自動監視與醫學診斷等領域。

在這些應用上，除了差異化至關重要外，其系統亦必須具備極快的反應能力，并快速部署最新的算法與傳感器，大約三分之二的視覺導向半導體應用都屬于此類市場。

透過reVISION組件庫與開發環境，許多人工智能開發、寫程序的過程，將可簡化成參數設定，讓開發者省下不少心力跟時間，專注在更能創造差異化的功能開發上。而賽靈思也會定期更新reVISION版本，以便支持最新的深度學習算法。

FPGA龍頭向英特爾／NVIDIA叫陣

reVISION為反應最快速的視覺系統鋪建了最快的發展途徑，同時也是身為FPGA龍頭的賽靈思，向NVIDIA、英特爾（Intel）叫陣的宣言。在產品簡報中，賽靈思直接點名NVIDIA、英特爾和其旗下的Altera，將自家產品與上述競爭對手的產品做效能評比對照。與NVIDIA的JetsonTX1嵌入式GPU相比，以賽靈思FPGA方案為基礎的機器學習推論，其每秒每瓦影像效能提升了高達6倍、計算機視覺每秒每瓦每幀處理速度則提升了42倍，而延遲卻只有五分之一。若是與同為FPGA的Altera解決方案相比，則在每瓦效能（Performance／Watt）上領先2～4倍。

事實上，以FPGA來實現人工智能應用，具有非常大的優勢。人工智能領域的演進非常快速，具備可重組以及支持所有形式鏈接等優勢的FPGA，可以很輕松地進行各種修改或升級，以便在最短時間內支持新的人工智能算法。類神經網絡、算法、傳感器技術與接口標準都會持續加速演進，可重組特性對于「支持未來需求」的智能視覺系統至關重要。

因此，在賽靈思正式宣布推出reVISION組件庫與相關套件之前，業界就不斷在猜測，賽靈思究竟何時會大動作進軍人工智能領域。畢竟，FPGA在這個領域具有相當大的性能優勢，只是開發門坎也較高，因為FPGA傳統上是硬件工程師作芯片原型開發的工具，懂得如何使用FPGA的工程師，通常是IC設計工程師，而非一般的軟件工程師。

但reVISION與相關套件也解決了這個問題。即使是對硬件不熟悉的開發者，在reVISION平臺上也能利用C、C＋＋或OpenCL語言，搭配Caffe與OpenCV這類業界標準框架與函式庫，在ZynqSoC或MPSoC等芯片平臺上開發各種嵌入式視覺應用。

賽靈思reVISION堆棧集眾多研發資源在平臺、算法、以及應用等領域的開發。其中包括支持最歡迎的類神經網絡如AlexNet、GoogLeNet、SqueezeNet、SSD、以及FCN。除此之外，堆棧提供了函式庫元素，包含針對卷積神經網絡（CNN）分層預先定義和作業優化，用來建立客制化類神經網絡（DNN／CNN）。

機器學習組件佐以眾多運算加速OpenCV功能，用以執行計算機視覺處理作業。在應用層級開發方面，賽靈思支持業界標準框架，包括專為機器學習的Caffe以及計算機視覺方面的OpenVX。此外reVISION堆棧還包含賽靈思自己與第三方的開發平臺，內含眾多種類的傳感器。