来源：本文由公众号 半导体行业观察（ID：icbank）翻译自Achronix Semiconductor，作者 Alok Sanghavi ，谢谢。

人工智能（AI），特别是机器学习正在重塑世界的运作方式，也为工业和商业带来了无数的机会，但支持神经网络演进、多样性、训练和推理的最佳硬件架构尚未确定。本文针对这一领域，就嵌入式FPGA（eFPGA）的应用做一些探讨。

人工智能应用领域涵盖多个不同的市场，如自动驾驶、医疗诊断、家用电器、工业自动化、自适应网站、财务分析和网络基础设施。

这些应用（特别是在边缘实施时）需要高性能和低延迟才能成功响应实时变化。它们还需要低功耗，这就使能源密集型云解决方案无法使用。另外，更深层的要求是：这些嵌入式系统即使在没有网络连接到云的情况下，也总是处于开启状态并准备好进行响应。这些因素的加在一起，需要改变传统的硬件设计方式。

神经网络

许多算法可用于机器学习，但当今最成功的算法是深度神经网络。受生物处理过程和结构的启发，深度神经网络可以在前馈中采用10层或更多层。 每一层使用虚拟神经元对一组输入执行加权求和，然后将结果传递给下一层中的一个或多个神经元。

虽然有一种常见的核心方法来构建最深的神经网络，但目前还没有一种适用于深度学习的通用体系结构。 越来越多的深度学习应用将合并不基于模拟神经元的元素。 随着技术的不断发展，许多不同的架构将会出现。 就像有机大脑本身一样，可塑性是任何旨在将机器学习融入其产品设计的组织的主要要求。