Hussein Osman, Segment Marketing Director i Lattice Semiconductor – Intervju-serie

Hussein Osman er en veteran i halvlederindustrien med over to tiår med erfaring i å bringe silisium- og programvareprodukter til markedet som integrerer sensing, prosessering og kommunikasjonsløsninger, med fokus på innovative erfaringer som leverer verdi til sluttbrukeren. De siste fem årene har han ledet sensAI-løsningens strategi og markedsinnsats i Lattice Semiconductor, og skapt høy-ytelses AI/ML-applikasjoner. Herr Osman har en bachelorgrad i elektroteknikk fra California Polytechnic State University i San Luis Obispo.

Lattice Semiconductor (LSCC ) er en leverandør av lavkraftprogrammerbare løsninger som brukes i kommunikasjon, databehandling, industri, bil og forbrukermarkeder. Selskapets lavkraft-FPGAer og programværktøy er designet for å hjelpe med å akselerere utvikling og støtte innovasjon over hele applikasjonsområdet, fra Edge til Skyen.

Kantere AI vinner terreng som selskaper søker alternativer til skybasert AI-behandling. Hvordan ser du på denne endringens innvirkning på halvlederindustrien, og hvilken rolle spiller Lattice Semiconductor i denne transformasjonen? 

Kantere AI vinner absolutt terreng, og det er fordi den har potensial til å virkelig revolusjonere hele markeder. Organisasjoner over hele sektorer søker etter Kantere AI fordi den hjelper dem med å oppnå raskere, mer effektive og mer sikre operasjoner — spesielt i sanntidsapplikasjoner — enn det som er mulig med skydatamaskiner alene. Det er det stykket de fleste mennesker fokuserer på: hvordan Kantere AI endrer forretningsoperasjoner når den implementeres. Men det er en annen reise som skjer samtidig, og den starter langt før implementeringen.

Innovasjon i Kantere AI presser originalutstyrsprodusenter til å designe systemkomponenter som kan kjøre AI-modeller til tross for fotavtrykksbegrensninger. Det betyr lette, optimerte algoritmer, spesialisert maskinvare og andre fremgangsmåter som komplementerer og/eller forsterker ytelse. Her kommer Lattice Semiconductor inn i bildet.

Våre feltprogrammerbare gate-arrays (FPGAer) tilbyr den høyt tilpassbare maskinvaren som er nødvendig for designere til å møte strenge systemkrav relatert til forsinkelse, kraft, sikkerhet, kobling, størrelse og mer. De tilbyr en basis som ingeniører kan bygge enheter som kan holde kritiske bil-, industri- og medisinske applikasjoner funksjonelle. Dette er et stort fokusområde for vår nåværende innovasjon, og vi er spente på å hjelpe kunder med å overvinne utfordringer og møte Kantere AI-æraen med tillit.

Hva er de viktigste utfordringene som bedrifter møter når de implementerer Kantere AI, og hvordan ser du på at FPGAer løser disse problemene mer effektivt enn tradisjonelle prosessorer eller GPUer?

Du vet, noen utfordringer synes å være virkelig universelle når noe teknologi utvikles. For eksempel vil utviklere og bedrifter som håper å utnytte kraften til Kantere AI sannsynligvis kjempe med vanlige utfordringer, som for eksempel:

• Resursehåndtering. Kantere AI-enheter må utføre komplekse prosesser pålitelig mens de arbeider innenfor økende begrensninger i beregnings- og batterikapasiteter.
• Selv om Kantere AI tilbyr privatlivsfordelene ved lokal databehandling, raiser den andre sikkerhetsproblemer, som muligheten for fysisk manipulering eller sårbarheter som kommer med mindre modeller.
• Kantere AI-økosystemer kan være ekstremt mangfoldige i maskinvarearkitektur og beregningskrav, noe som gjør det vanskelig å strømlinje aspekter som datahåndtering og modelloppdateringer i stor skala.

FPGAer tilbyr bedrifter en fordel i å løse disse viktige problemene gjennom sin kombinasjon av effektiv parallellprosesserings-, lav kraftforbruk-, maskinvaru-sikkerhetsfunksjoner og omprogrammerbarhet. Mens disse kan høres ut som markedsføringsjargong, er de essensielle funksjoner for å løse toppen av Kantere AI-smerter.

FPGAer har tradisjonelt vært brukt til funksjoner som brotilkobling og I/O-utvidelse. Hva gjør dem spesielt godt egnet for Kantere AI-applikasjoner?

Ja, du har absolutt rett i at FPGAer utmerker seg i koblingsområdet — og det er en del av hva som gjør dem så kraftfulle i Kantere AI-applikasjoner. Som du nevnte, har de tilpassbare I/O-porter som tillater dem å kommunisere med en rekke enheter og kommunikasjonsprotokoller. I tillegg kan de utføre funksjoner som brotilkobling og sensorfusjon for å sikre sømløs datautveksling, aggregasjon og synkronisering mellom ulike systemkomponenter, inkludert legacy- og fremtidige standarder. Disse funksjonene er spesielt viktige når dagens Kantere AI-økosystemer vokser mer komplekse og behovet for samarbeid og skalerbarhet øker.

Men, som vi har diskutert, er FPGA-ens koblingsfordelene bare toppen av isfjellet; det handler også om hvordan deres tilpasning, prosesseringskraft, energieffektivitet og sikkerhetsfunksjoner driver resultater. For eksempel kan FPGAer konfigureres og omkonfigureres for å utføre bestemte AI-oppgaver, og dette muliggjør at utviklere kan tilpasse applikasjoner til deres unike behov og møte evoluerende krav.

Kan du forklare hvordan lavkraft-FPGAer sammenlignes med GPUer og ASICer når det gjelder effektivitet, skalerbarhet og sanntidsbehandlingskapasitet for Kantere AI?

Jeg vil ikke påstå at hardware som GPUer og ASICer ikke har beregningskraften til å støtte Kantere AI-applikasjoner. De har det. Men FPGAer har virkelig en “kant” på disse andre komponentene i andre områder som forsinkelse og fleksibilitet. For eksempel kan både GPUer og FPGAer utføre parallellprosesserings-, men GPU-hardware er designet for bred appell og er ikke like godt egnet til å støtte bestemte Kantere-applikasjoner som FPGAer. På den andre siden er ASICer designet for bestemte applikasjoner, men deres faste funksjonalitet betyr at de krever fullstendige redesigns for å akkommodere noen betydelige endringer i bruk. FPGAer er designet for å tilby det beste av begge verdener; de tilbyr lav forsinkelse som kommer med tilpassede hardware-pipelines og rom for post-implantasjonsmodifikasjoner når Kantere-modeller trenger oppdateringer.

Forståelig nok er ingen enkelt valg det eneste riktige valget. Det er opp til hver utvikler å bestemme hva som har mening for deres system. De bør nøye vurdere de primære funksjonene til applikasjonen, de spesifikke resultater de prøver å møte, og hvor agilen designen trenger å være fra et fremtidssikringssynspunkt. Dette vil tillate dem å velge riktig sett av hardware- og programvarekomponenter for å møte deres krav — vi synes bare at FPGAer vanligvis er riktig valg.

Hvordan forbedrer Lattices FPGAer AI-drevne beslutninger på kanten, spesielt i industrier som bil, industriell automatisering og IoT?

FPGA-ens parallellprosesseringskapasiteter er et godt sted å begynne. I motsetning til sekvensielle prosessorer, tillater FPGA-arkitekturen dem å utføre mange oppgaver samtidig, inkludert AI-beregninger, med alle konfigurasjonslogiske blokker som utfører forskjellige operasjoner samtidig. Dette tillater høy gjennomstrømming, lav forsinkelse og behandling som trengs for sanntidsapplikasjoner i de viktige vertikale du nevnte — enten vi snakker om autonome kjøretøy, smarte industrielle roboter eller selv smarte hjemmeenheter eller helsebærbare enheter. I tillegg kan de tilpasses for bestemte AI-arbeidsbelastninger og lett omprogrammeres på feltet når modeller og krav utvikler seg over tid. Til slutt, men ikke minst, tilbyr de maskinvaru-sikkerhetsfunksjoner for å sikre at AI-drevne systemer forblir sikre, fra oppstart til databehandling og utover.

Hva er noen virkelige brukstilfeller hvor Lattices FPGAer har betydelig forbedret Kantere AI-ytelse, sikkerhet eller effektivitet?

Flott spørsmål! En applikasjon som jeg finner spesielt interessant er måtene ingeniører bruker Lattice-FPGAer for å drive neste generasjon smarte, AI-drevne roboter. Intelligente roboter krever sanntids-, på-enhet-behandlingsevner for å sikre trygg automatisering, og det er noe Kantere AI er designet for å levere. Ikke bare stiger etterspørselen etter disse assistentene, men også kompleksiteten og sofistikeringen av deres funksjoner. På en nylig konferanse demonstrerte Lattice-laget hvordan bruk av FPGAer tillot en smart robot å spore banen til en ball og fange den i midten, og viste hvor raskt og nøyaktig disse maskinene kan være når de bygges med riktige teknologier.

Hva gjør dette så interessant for meg, fra et maskinvarperspektiv, er hvordan designstrategier endrer seg for å tilpasse disse applikasjonene. For eksempel, i stedet for å bare stole på CPUer eller andre tradisjonelle prosessorer, begynner utviklere å integrere FPGAer i blandingen. Hovedfordelen er at FPGAer kan kommunisere med flere sensorer og aktuatorer (og en mer divers rekke av disse komponentene), samtidig som de utfører lavnivåprosesseringsoppgaver nær disse sensorene for å frigjøre hovedkalkylmotoren for mer avanserte beregninger.

Med den økende etterspørselen etter AI-slutting på kanten, hvordan sikrer Lattice at deres FPGAer forblir konkurransedyktige mot spesialiserte AI-chip designet av større halvlederselskaper?

Det er ingen tvil om at jakten på AI-chip er en stor driver for halvlederindustrien — bare se på hvordan selskaper som Nvidia (NVDA ) skiftet fra å lage videospillgrafikkort til å bli AI-industriegiganter. Likevel bringer Lattice unike styrker til bordet som gjør oss stå ut selv når markedet blir mer mettet.

FPGAer er ikke bare en komponent vi velger å investere i fordi etterspørselen stiger; de er en kritisk del av vår kjerneproduktlinje. Styrkene til våre FPGA-tilbud — fra forsinkelse og programmerbarhet til kraftforbruk og skalerbarhet — er resultatet av årevis med teknisk utvikling og forbedring. Vi tilbyr også et fullt utvalg av bransjeledende programværktøy og løsningsstakker, bygget for å optimalisere bruken av FPGAer i AI-design og utover.

Vi har forbedret våre FPGAer gjennom årevis av kontinuerlig forbedring drevet av iterasjon på våre hardware- og programværløsninger og relasjoner med partnere over hele halvlederindustrien. Vi vil fortsette å være konkurransedyktige fordi vi vil holde fast ved denne veien, og arbeide med design-, utviklings- og implementeringspartnere for å sikre at vi tilbyr kundene våre de mest relevante og pålitelige tekniske evnene.

Hva rolle spiller programmerbarhet i FPGA-ens evne til å tilpasse seg evoluerende AI-modeller og arbeidsbelastninger?

I motsetning til fastfunksjonsmaskinvarer kan FPGAer omprogrammeres og gjenprogrammeres etter implementering. Denne innebygde tilpasningen er kanskje deres største differensierer, spesielt i å støtte evoluerende AI-modeller og arbeidsbelastninger. Når man tar i betraktning hvor dynamisk AI-landskapet er, trenger utviklere å kunne støtte algoritmeoppdateringer, voksende datasamlinger og andre betydelige endringer når de skjer uten å bekymre seg for konstante maskinvaruoppgraderinger.

For eksempel spiller FPGAer allerede en avgjørende rolle i den pågående skiftet til post-kvantkryptografi (PQC). Når bedrifter forbereder seg mot kommende kvantetrusler og arbeider for å erstatte sårbare krypteringsordninger med neste generasjonsalgoritmer, bruker de FPGAer for å sikre en sømløs overgang og sikre overholdelse av nye PQC-standarder.

Hvordan hjelper Lattices FPGAer bedrifter med å balansere avveien mellom ytelse, kraftforbruk og kostnad i Kantere AI-utsteder?

Til slutt bør utviklere ikke måtte velge mellom ytelse og mulighet. Ja, Kantere-applikasjoner er ofte hindret av beregningsbegrensninger, kraftbegrensninger og økt forsinkelse. Men med Lattice-FPGAer er utviklere utstyrt med fleksible, energieffektive og skalerbare maskinvarer som er mer enn i stand til å mildne disse utfordringene. Tilpassbare I/O-grensesnitt, for eksempel, muliggjør kobling til ulike Kantere-applikasjoner samtidig som kompleksiteten reduseres.

Post-implantasjonsmodifikasjon gjør det også enklere å justere for å støtte behovene til evoluerende modeller. Forbi dette kan forbehandling og dataaggregasjon skje på FPGAer, og dermed redusere kraft- og beregningsbelastningen på Kantere-prosessorer, redusere forsinkelse og dermed senke kostnader og øke systemeffektivitet.

Hvordan ser du på fremtiden for AI-maskinvarer utvikle seg de neste 5-10 årene, spesielt i forhold til Kantere AI og effektive prosesseringsmuligheter?

Kantere-enheter vil trenge å være raskere og mer kraftfulle for å håndtere beregnings- og energikravene til de stadig mer komplekse AI- og ML-algoritmene bedrifter trenger for å trives — spesielt når disse applikasjonene blir mer vanlige. Evnene til de dynamiske maskinvarukomponentene som støtter Kantere-applikasjoner vil trenge å tilpasse seg i takt, og bli mindre, smartere og mer integrerte. FPGAer vil trenge å bygge videre på sin eksisterende fleksibilitet, og tilby lav forsinkelse og lav kraftforbruk for høyere nivåer av etterspørsel. Med disse evnene vil FPGAer fortsette å hjelpe utviklere med å omprogrammere og omkonfigurere med lettighet for å møte behovene til evoluerende modeller — enten det er for mer avanserte autonome kjøretøy, industriell automatisering, smarte byer eller utover.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Lattice Semiconductor.