我回国之前，和我的博士导师深聊了一次。
我问了他一台问题，目前FPGA领域最热门的研究方向都有哪些？
他一脸坏笑的说：我必须说机器学习，是吧……
没毛病，机器学习也好、人工智能也好、神经网络也好，的确是目前最火热的研究方向。就连FPGA这个小众领域，在最近几年的国际会议上，也有大把大把的AI相关的论文。这在五六年前是很少见的。
更不用说其他芯片和硬件领域，特别是AI血统更加“纯正”的GPU、以及人工智能专用芯片，近几年更是有大量工作和创新不断涌现出来。
如果我们站在三万英尺高空，去俯视这些和AI相关的研究和工作，大致可以把它们分成三类：
一类是对数据的挖掘和分析，一类是对算法的改进和创新，一类是对硬件的思考和重构。
就算对AI的技术细节一无所知，应该也会知道驱动AI发展的三驾马车：数据、算法和算力。
我们可以再飞的低一点，去重点看看人工智能硬件的发展。这时就不难发现，人们对算力已经开始有了不同的需求。
如果你要做训练，那就追求绝对的高算力。没有什么事情是一张英伟达A100 GPU板卡搞不定的，如果有，就再来几张。甚至可以搞个数据中心，放成百上千张GPU，让他们的算力一起咆哮。
不过咆哮的喧嚣背后，是同样咆哮的功耗和成本。要知道，5个DGX A100系统组成的一台机柜，成本100万美元，每小时消耗28kw电力。这显然不是每个人都玩得起的。
相比之下，做推理的人却有着不同的追求。我们之前曾经介绍过，推动技术发展的动力，不是技术本身，而是需求。芯片行业发展的本质，就是不断发现需求、满足需求、创造需求的循环。
我们不是不可以用A100来做移动端的推理，而是没有足够的预算、没有足够的供电、没有足够的面积，而且它的算力远远超过我们的需求。
高算力固然很香，但实际应用里需要更多的，却是低延时、低功耗、高灵活，以及完整的生态。
推理应用有着更加广泛的应用场景，人们更多关注的是用训练好的模型解决特定的问题、设计自个的算法、开发自个的产品。还有同样重要的，就是不能重复造轮子，能拿过来直接用的东西就拿来直接为我所用，越能快速整合现有的模块，就越能专注于自个的创新，并且越能尽快把自个的产品推向市场。
所以说，推理和训练，在本质上有着不同的游戏规则。
明确了游戏规则，一切就豁然开朗了。我们需要这么一种硬件，它主要针对边缘计算的推理应用，在兼顾算力的情况下，同时拥有低功耗、低成本、高灵活、完整生态的特点。
事实上，真正的主角并不是硬件本身，而是在它上面运行的五花八门的创意应用。普通人或许永远也没办法拥有一百万美元一台的性能猛兽，但可以在这个硬件平台上实现自个思考已久、而且兴奋不已的大想法。
结果，这个需求又被英伟达看到了，并且由此推出了名为Jetson的边缘AI平台。
事实上，Jetson并不是某种芯片，而是以板卡的形式存在。Jetson也不是某种单一类型的板卡，而是多种板卡组成的产品组合。从这个角度来看，也说明边缘计算这个赛道更加细分、更加碎片化。但如果你的嗅觉足够敏锐，也说明这里有着更多超车和创新的机会。这和AI训练一言不合就拼算力的粗鲁相比，有着本质区别。
Jetson系列的一台主要特点，就是采用了模块化的设计，而且使用了SoM（System on Module）的设计思路。在当前嵌入式开发板的设计领域，SoM的集成方法已经越来越主流了。它最主要的特点，就是把核心板和母板分开设计，来满足不同应用场景的需要。
比如我们要做一台智能小车，就可以把所有和车有关的模块都做成“母板”，包括各种接口、电机、传动、传感器等等，而所有和计算相关的模块就可以直接用这个SoM核心板，两者通过统一的接口和引脚相互链接。
这样当后期需要进行升级的时候，直接换一台引脚和外形规格兼容的SoM核心板就可以了，不用换整个系统，省事。
Jetson最入门的产品，叫做Jetson Nano，它应该也是这几个产品里可玩性和性价比最高的。它集成了四核ARM Cortex-A57 CPU，128核Maxwell GPU，核心板满级70mm x 45mm，并且提供了5W和10W两种规格。
说到这里，就不用再多介绍了，毕竟这么低的功耗，还要什么自行车？
事实上，性能最高的Jetson AGX Xavier系列，最大功耗也只有30W，也有10W、15W的选择。作为Jetson系列的扛把子，Xavier集成了8核ARM v8.2 CPU、512核Volta GPU、64个Tensor内核，最高可以提供32TOPs的峰值算力，以及750Gbps的高速I/O能力。这样的性能背后，只有100mm x 87mm的尺寸大小，所以特别适合用于工业级的边缘计算场景。
前面刚说完，模块化设计的好处之一是省事升级换代，例子就来了。在11月结束的GTC大会上，英伟达发布了Jetson AGX Orin，它基于Ampere架构，和Xavier保持了相同的外形尺寸，并且两者相互引脚兼容，但算力却提升了6倍，达到200TOPs。
之前我们说，和算力相比，我们更关注功耗和成本，这或多或少都有些不甘和无奈，毕竟谁不想鱼和熊掌同时兼得呢？但目前既能实现小尺寸和低功耗，又能获得大算力，这就让更多之前想但又不敢想的创意可以得到实现。至少算力、尺寸和功耗，不再是主要的制约条件了。
借用英伟达副总裁兼嵌入式和边缘计算总经理Deepu Talla的话：
Jetson AGX Orin 让85万名Jetson开发者和6000多家在其基础上构建商业产品的公司，能够创建和部署以前不可能实现的自主机器和边缘AI应用。 在我的理解中，这里的“自主机器（autonomous machine）”，并不是那些具有完全自主意识的“智能机器”，而是能根据具体的需要，自动决策并完成特定功能的机器。
所以，归根到底，或是各种需求。我们不需要做一台华而不实的水晶宫或空中楼阁，我们需要的是能解决实际问题、并且能解放人类劳动力和创造力的“自主机器”。如果非要给这个结论加一台限定条件，那就是有限的预算和资源，毕竟无限魔法的时候我们会无脑一直放大招。但在现实生活中的绝大部分情况下，这个限定条件都是满足的。
说完了硬件，照例要再说一下软件。
在说软件之前，首先要说一下英伟达的“套路”。
英伟达的GPU在人工智能时代大获成功的主要原因，不仅有GPU本身的因素，更是因为它让广大开发者用起来了。不管是芯片、或是指什么别的产品，只有有人用，才能不断发现问题，也才能不断解决问题、不断优化，然后才会吸引更多的人用，从此形成正反馈。
除了前面说的需求循环，这个“使用-迭代”循环，也是驱动产品与技术发展的重要力量源泉。
由此我们不难想象，Jetson也有着英伟达提供的统一软件堆栈，名叫Jetpack SDK。作为Jetson平台的“灵魂”，它包含板级支持包、Linux操作系统、CUDA、一系列GPU加速库，以及用于视频分析的DeepStream SDK、用于机器人开发的Isaac SDK。
在硬件设计的时候我们不想重复造轮子，在软件设计的时候也是这样。用这些现成的加速资源，就能大大加快开发过程，并且让开发者专注于创新本身，而不是把时间花在搭环境上。
在这个“使用-迭代”循环里，最重要的就是人。用户、开发者、厂商，都是这个循环里不可或缺的部分。为了创造解放劳动力的“自主机器”，就必须先投入劳动力构建生态，然后再放手让它自由生长。
说白了，生态为王。
前面说了算力与算法，其实目前人们的视线已经开始更多聚焦在数据身上了。
这不仅因为仍然有海量数据尚未得到充分的挖掘和有效利用，更是因为数据本身的质量也有很大的提升空间。
吴恩达曾经说过：
我相信AI社区很快就会像对待构建模型一样，对系统性地改善数据产生兴趣。 这也是为啥有这么多的公司，开始构建“以数据为中心”的软硬件布局的本质原因之一。
值得一提的是，英伟达发布了用于Isaac Sim的NVIDIA Omniverse Replicator。它可以根据开发者的要求，实现随机、受控、且有界的数据集，也就是让数据本身更有意义，从而让训练过程更有针对性。
曾几何时，人工智能只是科幻影片里想象。如今，它不仅成为了现实，更是把算力、算法、数据一步步分成了更细的研究领域。
我们曾经还在性能与功耗、面积、成本之间纠结，不过照目前的发展势头，这样的纠结或许很快也不需要了。
成年人的世界里，没有选择题，我全都要。 |
