對于 5G 蜂窩和機器學習 DNN/CNN這 樣的計算密集型應用，賽靈思的新型向量處理器 AI 引擎由一系列 VLIW SIMD高性能處理器構成，可提供高達 8 倍的芯片計算密度，功耗卻比傳統可編程邏輯解決方案低 50％。

　　本白皮書探討了將賽靈思新 AI 引擎用于計算密集型應用（如 5G 蜂窩和機器學習 DNN/CNN）的架構、應用和優勢。

　　與前幾代相比，5G 的計算密度要高 5 到 10倍；AI 引擎已針對 DSP 進行了優化，可滿足吞吐量和計算要求，從而提供無線連接所需的高帶寬和加速速度。

　　許多產品中機器學習的采用（通常采用 DNN/CNN 網絡的形式）大大增加了計算密度要求。AI 引擎針對線性代數進行了優化，可提供滿足這些要求的計算密度，同時與可編程邏輯中執行的類似功能相比，功耗也降低了50％。

　　AI 引擎使用了許多程序員所熟悉的 C/C++ 范例進行編程。AI 引擎與賽靈思的自適應與標量引擎集成，可提供高度靈活且功能強大的整體解決方案。

　　賽靈思產品在計算密集型應用方面坐擁數十年的實施歷史，該領域的開拓始于 90 年代初的高性能計算 （HPC） 和數字信號處理 （DSP）。FPGA的賽靈思 XC4000 系列 FPGA 已成為支持商用和航空航天與國防無線通信系統數字前端 （DFE） 解決方案的關鍵技術。這些早期實踐者使用 LUT 和加法器 實現計算元素（例如乘法器），以構建 DSP 功能數、FIR 濾波器和 FFT。

　　2001 年為 Virtex-II 系列 FPGA 開發的第一個“DSP 片”。遵照摩爾定律，賽靈思將 LUT 數量從XC4000 FPGA 中的 400 個增加到現有器件中的 370 多萬個 LUT 和超過 12，200 個 DSP 片，將可用資源增加了 9，500 多倍。隨著計算資源的不斷增加，賽靈思產品始終能夠提供所需的計算密度和邏輯資源，緊跟新興信號處理市場的步伐。