Industrielle Edge-KI erfordert mehr als reine Rechenleistung

Seit Jahrzehnten folgte die Hardware-Entwicklung für den Edge-Bereich einer einfachen Hierarchie: Maximierung der Durchsatzleistung, dann Verwaltung von Leistung und Thermik. Die reine Rechenleistung war die Obergrenze, unter der alles andere aufgebaut wurde. Diese Logik ergab Sinn, als Edge-Geräte stationär waren, Umgebungen kontrolliert waren und zentrale Verarbeitung alles bewältigen konnte, was der Edge nicht konnte. Allerdings gelten diese Bedingungen in den heutigen industriellen Umgebungen nicht mehr, und die alte Hierarchie bricht zusammen, weil sie nicht mehr gilt.

Betreiber von Industrieanlagen setzen nun künstliche Intelligenz-getriebene Automatisierung direkt auf den Shopfloor, und verlangen intelligente, entscheidungsfähige Aktionen so nah wie möglich an den Operationen. Der Ehrgeiz ist berechtigt. Aber die Umsetzung in zuverlässige Hardware, die unter realen industriellen Bedingungen funktioniert, erfordert eine Neukonzeption der Chip-Entwicklung von Grund auf.

Eine neue Hierarchie der Einschränkungen

Der globale Markt für industrielle Edge-Technologie wird prognostiziert, von 21 Milliarden Dollar im Jahr 2025 auf fast 45 Milliarden Dollar im Jahr 2030 zu wachsen, und die Hardware-Anforderungen, die mit diesem Wachstum einhergehen, sehen grundlegend anders aus als das, wofür Chip-Designer historisch optimiert haben. Wenn künstliche Intelligenz-getriebene Automatisierung von kontrollierten Testumgebungen auf live Fabrikflächen übergeht, hat die Hierarchie der Einschränkungen, die den Edge-Einsatz regiert, sich effektiv umgekehrt:

1. Leistung steht nun an erster Stelle. Immer-ein-Operationsmodus erfordert flexible Steuerungsmodi, um Verschwendung zu reduzieren und den Aufwand zu minimieren, der mit der Bereitstellung von Edge-KI-Systemen verbunden ist.
2. Thermische und Umweltfaktoren können die Leistung stark beeinflussen. Industrieanlagen führen zu Umwelt-Extremen wie hohen Temperaturen und thermischer Drosselung sowie potenziellen Ablagerungen und Feuchtigkeit, die die Funktionalität unvorhersehbar beeinträchtigen können.
3. Latenz und Determinismus sind in präzisionsorientierten Anwendungsfällen wie denen in industriellen Anlagen unerlässlich, da zeitnahe und genaue Aktionen den Unterschied zwischen Erfolg und Misserfolg ausmachen können.
4. Reine Durchsatzleistung kommt in diesem Paradigma an letzter Stelle. Obwohl wichtig, sind Bandbreite und Durchsatz weniger kritisch, wenn die eingebetteten Fähigkeiten solide sind. Kritische Verarbeitung und Argumentation finden auf dem Gerät statt, wodurch der Bedarf an ständiger Übertragung zu einem zentralen Verarbeitungssystem minimiert wird.

Die Umkehrung dieser Einschränkungen erfordert, dass Designer einen neuen Ansatz bei der Entwicklung für den industriellen Edge-Bereich verfolgen, der mehr als nur reine Rechenleistung berücksichtigt.

Das “richtige” Maß finden

In Entwicklungsumgebungen, zum Beispiel bei der Entwicklung eines industriellen Roboters am Arbeitsplatz, können GPUs ausreichen. Sie sind hochleistungsfähige und effiziente Komponenten, die große Datenmengen schnell und genau verarbeiten können. Diese Prozesse finden jedoch in hoch kontrollierten Umgebungen statt.

Industriegeräte werden häufig auf Legacy-Equipment in bereits betriebenen Anlagen installiert. Sie können mobil sein. Leistung, Platz und thermische Kapazität sind durch die Umgebung vorgegeben, nicht durch die Bedürfnisse des Geräts. Das bedeutet, dass nur die Chip-Entwicklung selbst als Variable bleibt, und allgemeine Silizium-Chips sind schlecht geeignet, um diese spezifischen, anhaltenden Anforderungen der industriellen Edge-KI zu erfüllen. Sie sind entweder zu starr oder zu breit, um die spezifischen Anforderungen zu erfüllen.

Beispielsweise bieten System-on-Chip (SoC) mit integrierten NPUs einen Mittelweg für diese Art von Builds, mit niedriger Leistung und robusten deterministischen Funktionen. Sie fallen jedoch in anspruchsvollen Edge-Umgebungen aufgrund ihrer Konstruktion, die für sporadische Funktionalität in thermisch eingeschränkten Umgebungen optimiert ist, oft short. Eine burst-inference-orientierte Konstruktion macht sie zu einem unzuverlässigen Fit für die komplexeren Realitäten von Industrieanlagen.

Um automatisierte industrielle Operationen zu ermöglichen, benötigen Designer etwas dazwischen: Chips, die flexibel genug sind, um Lücken zu füllen, aber spezifisch genug, um spezielle Anwendungen zu bewältigen.

FPGAs: Ein leistungsfähigerer Begleiter

Immer mehr Edge-Entwickler beginnen, Field-Programmable Gate Arrays (FPGAs) als Antwort zu nutzen. FPGAs sind nicht als Ersatz für GPUs, CPUs oder andere zentrale Verarbeitungsoptionen positioniert. Stattdessen fungieren sie als Begleitchips, die neben den primären Prozessoren sitzen, um die Aufgaben zu bewältigen, die allgemeine Silizium-Chips in Feldbedingungen schlecht bewältigen: immer-ein-Sensormonitoring, Echtzeit-Preprocessing, deterministische Reaktion und Leistungssteuerung.

Je nach Architektur können diese Begleitchips neben der GPU oder CPU oder näher am Sensor selbst positioniert werden, was den Designern Flexibilität bietet, wie und wo diese Arbeitslast ausgelagert wird. Die Fähigkeit, in dieser Begleiterrolle zu fungieren, macht FPGAs so gut geeignet für industrielle Edge-Umgebungen, in denen der primäre Prozessor vor Überlastung durch kontinuierliche niedrigstufige Verarbeitungsanforderungen geschützt werden muss.

Der globale FPGA-Markt wurde 2024 mit 11,6 Milliarden Dollar bewertet und wird bis 2033 auf 41,6 Milliarden Dollar ansteigen, was die wachsende Anerkennung genau dieser Art von Begleitarchitektur in industriellen und Edge-Einsätzen widerspiegelt. Als Begleitchips bringen FPGAs eine spezifische Reihe von Fähigkeiten, die direkt die umgekehrte Hierarchie der Einschränkungen ansprechen:

• Parallele, datenflussorientierte Verarbeitung, die es Geräten ermöglicht, erweitertes Preprocessing vor der Übertragung zu zentraler Rechenhardware durchzuführen. Dies reduziert die Datenmengen, minimiert die Latenz und sichert zuverlässige Operationen.
• Deterministische Argumentationsfähigkeiten, die bekannte Auslöseereignisse erkennen können, um in kritischen Szenarien Echtzeitreaktionen zu ermöglichen.
• Logikgesteuerte Leistungssteuerung, die es Geräten ermöglicht, den Energieverbrauch basierend auf Umwelttrigger (Bewegung oder andere Änderungen) zu skalieren, so dass hoch beanspruchte Prozesse nur aktiv sind, wenn sie benötigt werden.
• Eingebaute Sicherheitsfunktionen, die es FPGAs ermöglichen, als Hardware-Root-of-Trust (HRoT) zu fungieren und zentrale Rechenhardware vor Angriffen zu schützen, die von Geräten in öffentlich zugänglichen Bereichen ausgehen, was eine zusätzliche Sicherheitsebene für zunehmend komplexe Systeme bietet.

Während diese Funktionen für die Weiterentwicklung von Edge-KI-Fähigkeiten von entscheidender Bedeutung sind, ist es letztendlich die Vielseitigkeit von FPGAs, die sie zu den optimalen “Problemlösern” für Edge-Builds macht. Sie fungieren in der Regel als intelligente Preprozessoren, die Echtzeit-Sensordatenfusion auf dem Gerät durchführen, um sowohl die Notwendigkeit von Datenübertragungen als auch die zeitnahe Reaktion zu reduzieren.

Ihre parallele Verarbeitungsfähigkeit ermöglicht es ihnen, Daten schnell zu integrieren und zu analysieren und bei Bedarf auf höherstufige Prozessoren umzuschalten oder in Echtzeit in einer Krise zu reagieren. Da der FPGA diese kleineren Aufgaben selbstständig bewältigen kann, behält die zentrale Rechenhardware mehr Bandbreite, um die komplexeren Aufgaben zu bewältigen, die tatsächlich übertragen werden.

Darüber hinaus sind FPGAs per Design umprogrammierbar, so dass Systemmanager ihre Edge-KI-Implementierungen aktualisieren können, wenn sich Workloads, Umgebungen und Anforderungen ändern. Geräte, die FPGAs als Begleitchips verwenden, können sich ohne Austausch von Hardware oder erneute Bereitstellung an die Systemanforderungen anpassen. Beispielsweise bieten sie die Flexibilität, die erforderlich ist, um sich an die Fortschritte in der post-quanten-Kryptographie anzupassen und die bestehenden kryptographischen Algorithmen unwirksam zu machen.

Besser zusammen

Der industrielle Edge-Bereich ist der Ort, an dem die künstliche Intelligenz-basierte Automatisierung ihr volles Potenzial entfalten wird, und reale Automatisierungsanforderungen warten nicht darauf, dass allgemeine Prozessoren aufholen. Edge-Entwickler müssen neue Designprinzipien annehmen und optimierte Grundlagen schaffen, die Flexibilität und Spezifität in gleichem Maße ausbalancieren.

FPGAs können genau das leisten. Wo GPUs und SoCs an ihre Grenzen stoßen, füllen FPGAs die Lücke als leistungsfähige Begleitchips, indem sie immer-ein-Schlußfolgerung, deterministische Steuerung, niedrige Leistung und das Potenzial bieten, mit den sich entwickelnden künstlichen Intelligenz-Fähigkeiten und industriellen Anwendungsfällen zu wachsen. Ob unabhängig eingesetzt oder mit allgemeinen Prozessoren gepaart, helfen FPGAs, die robuste, zuverlässige und anpassungsfähige Grundlage zu schaffen, die erforderlich ist, um Edge-KI-Ökosysteme zu realisieren.