AWS详述FPGA基本原理和市场发展

在2016年底一年快要结束的时候，AWS(亚马逊网络服务)宣布通过借助云传输模型可以采用Xilinx高端FPGA器件了，首次以开发者的角度而不是扩展高层次工具来帮助潜在的用户学习和体验FPGA的加速效果。

负责AWS容器和HPC部门的主管Deepak Singh向“The Next Platform”介绍到那些发展最快的应用领域有很多相似之处，例如都期望采用基于云计算的FPGA解决方案，详情可参照最近新出版的一本书“FPGA前沿：可重构计算方面的新应用”。这些涉及到加密和安全、基因组学、金融服务以及一系列机器学习相关应用。“对于安全、基因组学和金融服务等都已经有很多FPGA的使用案例了，我们期待看到FPGA与机器学习的结合，那将是一个更广泛的领域，我们需要提供更多的工具和支持来满足它的增长。”

Singh将精力集中在专门的工作负载研究方面，包括高性能计算，在AWS部门十多年来也参与并见证技术的变迁，从通用的云服务(类似于生活基本的面包和黄油)到新计算和内存密集型应用以及高性能计算(HPC)GPU加速方案等其他方面。除了关注这类应用的硬件和软件要求，Signh说到他也在关注另外具有更广泛发展和影响的两个方面，分别是机器学习和相关的硬件需求。

机器学习是FPGA的重要发展领域，Signh说到，但是从规模上看它只趋向于特定专业用户，现在还不确定可重配置器件可能适合作为哪些器件，“它可能作为GPU、CPU，或者作为定制化的ASIC、张量处理器或者只是作为FPGA来使用，也可能是某几类的结合”，最后他说到因为最近几年GPU、可编程环境以及形成的生态系统，用户可以更加开放的去探索新的架构和加速器，虽然还是差不多同样的应用场景，但是至少会有一些兴趣强烈的用户(不单单是为实现通用功能)和他的团队都会经常关注新的架构，最后会选择AWS的解决方案。Signh还说到，现在AWS FPGA云服务方案前期会吸引一部分用户，同时也会鼓励合作伙伴参与到FPGA技术开发过程中来。

通用计算不会就此消失，目前它仍是驱动计算的主要力量。但是最近两年或者三年出现的Nvidia Tesla GPU以及它的性能让专业编程器件更加容易，人们对专业处理器的兴趣、开发人员，工作负载和公司的规模和活跃度都正在形成。从一定程度上讲，专门的硬件和基础设施起到了非常大的作用，尤其对于那些有专门需求的用户，我们认为FPGA是最好的一个选择。

Singh提到很多终端用户已经开始转移，如果不是所用通用工作负载都在云端完成，本地数据中心可能已经是过去时了。几乎没有哪个电气设备能够形成一个单一的、专门的工作负载。“除了基于FPGA的设备可能没有什么可以剩下来，因为其他相关的也已经出局了。”对于这样的情形，他说到现在硬件和设备供应商之间的关系最终都会转移到亚马逊云服务上来，具备FPGA核心机器的供应商不是很多，然而正如过去我们描述的那样，Edico Genome(FPGA加速的基因组平台)和Ryft(FPGA驱动大规模数据分析平台)在亚马逊的努力下成为很好的搭档，使用F1服务器实例满足新型专业需求。

正如Singh提到的，当AWS增加GPU实例的时候，GPU的生态系统已经很成熟了，对于FPGA则还有很长的一段路要探索，才能够提供较广泛的接入服务。这些进步会让现在的供应商和ISV(独立软件开发商)继续推广，但是对于AWS来说，除了提供硬件开发套件外，还会继续不断探索提供更多的接入符合和权限。

“我们计划支持高层次工具，例如SDAcell，包括OpenCL库，扩大了开发人员的资源。目前已经有一些软件开发人员他们既懂FPGA又知道如何使用核心工具，他们需要的是一个通道——能够将他们的软件提供给更多的客户，与此同时，我们正在研究各种资源库、编程工具的可用性和可接入性，给用户带来更好的操作性能”，Singh解释到，“我们的目标是让编程和使用FPGA不在是障碍。”

Singh还提到开发FPGA实例性云服务通过了AWS内部讨论，其中致力于专用计算领域(例如HPC、应用加速等)的团队成员已经见证了FPGA的效益增长，能够满足重要市场领域应用的计算能力需求，例如很早就采用FPGA作为系统解决方案的方面(金融服务等)、采用FPGA作为系统加速(加密/安全、基因组)、以及正在寻求将各种处理计算引擎相结合以满足各种算法和计算负载快速增长的应用(例如机器学习和深度学习)。

我们曾在前面的文章中提到过，尤其最近两年来，越来越专业的计算需求促使很多公司不再只局限于标准的CPU，而开始逐渐采用ASIC、GPU和FPGA。这大大丰富了高端计算领域方案的多样性，涌现出更多标准/非标准的系统开发架构。去年FPGA厂商Altera被Intel所收购，公共云服务也开始采用FPGA，各种不同的应用都将会从各方面受益于FPGA加速特性，这对FPGA来说也是重大发展的一年。