微軟發布了?Project?Brainwave，一個基于 FPGA 的低延遲深度學習云平臺。微軟官方測評顯示，當使用英特爾的 Stratix 10 FPGA，Brainwave 不需要任何 batching 就能在大型 GRU （gated recurrent unit）達到 39.5 Teraflops 的性能。?

微軟表示：“該系統為實時 AI 而設計——這意味著，它能以極低的延遲在接收數據后立刻處理請求。由于云基礎設施需要處理實時數據流，不管是搜索請求、視頻、傳感器數據流還是用戶交互，實時 AI 正在變得越來越重要。”

Project Brainwave 的系統可分為三個層面：高性能分布式系統架構；整合到 FPGA 硬件上的深度神經網絡（DNN）引擎；能 low-friction 部署已訓練模型的編譯器和?runtime。

第一個層面上，Project Brainwave 利用了微軟數年建立起來的 FPGA 基礎設施。通過把高性能??FPGA 連接到數據中心網絡，微軟可為 DNN 提供硬件微服務支持——把一個 DNN 加載到遠程?FPGA 池子，再由一個 loop 中沒有軟件的服務器調用。這套系統架構既降低了延遲，因為 CPU 不需要處理傳來的請求；也能達到非常高的吞吐率，FPGA 處理請求的速度能夠達到網絡接受請求的速度。

第二點，Project Brainwave 使用了一個非常強大的“軟”DNN 處理單元（即 DPU），并整合到可購買的 FPGA 中。

有許多公司，把包括大企業和初創公司，正在開發“硬化”的 DPU。雖然很多這些芯片有很高的峰值性能，它們卻必須要在設計時就對運算符和數據類型做出選擇，這極大限制了靈活性。Project Brainwave 采取了另一條路，提供了一個橫跨多種數據類型的設計。理想的數據類型可以在合成時間（synthesis-time）做選擇。

該設計把?FPGA 上的?ASIC 數字信號處理模塊與合成邏輯整合起來，提供更多、數量上更加優化的功能單元。該方法在兩個層面上利用了 FPGA 的靈活性。首先，我們定義了高度定制、窄精度的數據類型，借此在不犧牲模型精度的情況下提升了性能。第二，我們可以把研究創新快速整合到硬件平臺設計——通常是幾個星期，這在快速發展的領域特別必要。作為結果，我們實現了不弱于這些硬編碼 DPU 芯片的性能。

第三點，Project Brainwave 內置了一個能支持各種深度學習框架的軟件堆。我們已經對?Microsoft?Cognitive Toolkit（雷鋒網注：改名后的 CNTK）和谷歌的?Tensorflow 提供了支持，并計劃兼容更多框架。我們還定義了一個基于圖的中間表達，能轉化常見框架上訓練的模型，編譯到我們的高性能基礎設施上。