Hussein Osman, Giám đốc Tiếp thị Phân khúc tại Lattice Semiconductor – Loạt Phỏng vấn

Hussein Osman là một chuyên gia trong ngành công nghiệp bán dẫn với hơn hai thập kỷ kinh nghiệm đưa ra thị trường các sản phẩm silicon và phần mềm tích hợp giải pháp cảm biến, xử lý và kết nối, tập trung vào các trải nghiệm đổi mới mang lại giá trị cho người dùng cuối. Trong năm năm qua, ông đã lãnh đạo chiến lược giải pháp sensAI và nỗ lực tiếp thị tại Lattice Semiconductor, tạo ra các ứng dụng AI/ML hiệu suất cao. Ông Osman đã nhận bằng cấp cử nhân về Kỹ thuật Điện từ Đại học California Polytechnic State tại San Luis Obispo.

Lattice Semiconductor (LSCC -4.75%) là nhà cung cấp các giải pháp lập trình thấp công suất được sử dụng trên các thị trường truyền thông, tính toán, công nghiệp, ô tô và tiêu dùng. Các công cụ FPGA và phần mềm thấp công suất của công ty được thiết kế để giúp tăng tốc phát triển và hỗ trợ đổi mới trên các ứng dụng từ Edge đến Cloud.

Trí tuệ nhân tạo tại Edge đang ngày càng phổ biến khi các công ty tìm kiếm các giải pháp thay thế cho xử lý AI dựa trên đám mây. Bạn nhìn thấy sự thay đổi này ảnh hưởng đến ngành công nghiệp bán dẫn như thế nào, và Lattice Semiconductor đóng vai trò gì trong sự chuyển đổi này? 

Trí tuệ nhân tạo tại Edge chắc chắn đang ngày càng phổ biến, và đó là vì tiềm năng của nó trong việc cách mạng hóa toàn bộ thị trường. Các tổ chức trên nhiều lĩnh vực khác nhau đang chuyển sang Trí tuệ nhân tạo tại Edge vì nó giúp họ đạt được các hoạt động nhanh hơn, hiệu quả hơn và bảo mật hơn – đặc biệt là trong các ứng dụng thời gian thực – so với việc chỉ sử dụng tính toán đám mây. Đó là phần mà hầu hết mọi người tập trung vào: cách Trí tuệ nhân tạo tại Edge đang thay đổi hoạt động kinh doanh khi được triển khai. Nhưng có một hành trình khác đang diễn ra song song, và nó bắt đầu từ rất lâu trước khi triển khai.

Đổi mới trong Trí tuệ nhân tạo tại Edge đang thúc đẩy các nhà sản xuất thiết bị gốc thiết kế các thành phần hệ thống có thể chạy các mô hình AI尽管 có hạn chế về diện tích. Điều đó có nghĩa là các thuật toán nhẹ, tối ưu hóa, phần cứng chuyên dụng và các tiến bộ khác bổ sung và/hoặc khuếch đại hiệu suất. Đây là nơi Lattice Semiconductor tham gia.

Các FPGA (Field Programmable Gate Arrays) của chúng tôi cung cấp phần cứng có thể thích nghi cao cần thiết cho các nhà thiết kế để đáp ứng các yêu cầu hệ thống nghiêm ngặt liên quan đến độ trễ, công suất, bảo mật, kết nối, kích thước và hơn thế nữa. Chúng cung cấp một nền tảng mà các kỹ sư có thể xây dựng các thiết bị có khả năng duy trì các ứng dụng Tự động hóa, Công nghiệp và Y tế quan trọng hoạt động. Đây là một lĩnh vực tập trung lớn cho sự đổi mới hiện tại của chúng tôi, và chúng tôi rất hào hứng được giúp khách hàng vượt qua các thách thức và chào đón kỷ nguyên của Trí tuệ nhân tạo tại Edge với sự tự tin.

Những thách thức chính mà các doanh nghiệp gặp phải khi triển khai Trí tuệ nhân tạo tại Edge là gì, và bạn nhìn thấy FPGA giải quyết những vấn đề này hiệu quả hơn so với các bộ xử lý truyền thống hoặc GPU như thế nào?

Bạn biết, một số thách thức dường như thực sự phổ biến khi bất kỳ công nghệ tiến bộ. Ví dụ, các nhà phát triển và doanh nghiệp hy vọng tận dụng sức mạnh của Trí tuệ nhân tạo tại Edge sẽ phải đối mặt với các thách thức chung, chẳng hạn như:

• Quản lý tài nguyên. Các thiết bị Trí tuệ nhân tạo tại Edge phải thực hiện các quy trình phức tạp một cách đáng tin cậy trong khi làm việc trong các khả năng tính toán và pin ngày càng hạn chế.
• Mặc dù Trí tuệ nhân tạo tại Edge mang lại lợi ích bảo mật của việc xử lý dữ liệu cục bộ, nhưng nó cũng đặt ra các vấn đề bảo mật khác, chẳng hạn như khả năng can thiệp vật lý hoặc các điểm yếu đi kèm với các mô hình nhỏ hơn.
• Các hệ sinh thái Trí tuệ nhân tạo tại Edge có thể cực kỳ đa dạng về kiến trúc phần cứng và yêu cầu tính toán, khiến việc简 hóa các khía cạnh như quản lý dữ liệu và cập nhật mô hình ở quy mô lớn trở nên khó khăn.

FPGA cung cấp cho các doanh nghiệp một lợi thế trong việc giải quyết những vấn đề chính này thông qua sự kết hợp của xử lý song song hiệu quả, tiêu thụ năng lượng thấp, khả năng bảo mật cấp độ phần cứng và khả năng cấu hình lại. Mặc dù những điều này có thể nghe như những từ khóa tiếp thị, nhưng chúng là các tính năng thiết yếu để giải quyết các điểm đau hàng đầu của Trí tuệ nhân tạo tại Edge.

FPGA truyền thống đã được sử dụng cho các chức năng như cầu nối và mở rộng I/O. Điều gì làm cho chúng đặc biệt phù hợp với các ứng dụng Trí tuệ nhân tạo tại Edge?

Vâng, bạn hoàn toàn đúng rằng FPGA xuất sắc trong lĩnh vực kết nối – và đó là một phần của lý do tại sao chúng mạnh mẽ trong các ứng dụng Trí tuệ nhân tạo tại Edge. Như bạn đã đề cập, chúng có các cổng I/O có thể tùy chỉnh cho phép chúng giao tiếp với một loạt các thiết bị và giao thức truyền thông. Ngoài ra, chúng có thể thực hiện các chức năng như cầu nối và hợp nhất cảm biến để đảm bảo trao đổi, tổng hợp và đồng bộ hóa dữ liệu mượt mà giữa các thành phần hệ thống khác nhau, bao gồm cả tiêu chuẩn cũ và mới. Những chức năng này đặc biệt quan trọng khi các hệ sinh thái Trí tuệ nhân tạo tại Edge ngày càng phức tạp và nhu cầu về khả năng tương tác và khả năng mở rộng tăng lên.

Tuy nhiên, như chúng tôi đã thảo luận, lợi ích kết nối của FPGA chỉ là phần nổi của tảng băng chìm; nó cũng liên quan đến cách khả năng thích nghi, sức mạnh xử lý, hiệu quả năng lượng và các tính năng bảo mật của chúng đang thúc đẩy kết quả. Ví dụ, FPGA có thể được cấu hình và cấu hình lại để thực hiện các nhiệm vụ AI cụ thể, cho phép các nhà phát triển tùy chỉnh ứng dụng để đáp ứng nhu cầu độc đáo của họ và đáp ứng các yêu cầu đang thay đổi.

Bạn có thể giải thích làm thế nào FPGA tiêu thụ năng lượng thấp so với GPU và ASIC về hiệu quả, khả năng mở rộng và khả năng xử lý thời gian thực cho Trí tuệ nhân tạo tại Edge không?

Tôi sẽ không giả vờ rằng phần cứng như GPU và ASIC không có sức mạnh tính toán để hỗ trợ các ứng dụng Trí tuệ nhân tạo tại Edge. Họ có. Nhưng FPGA thực sự có một “lợi thế” so với các thành phần khác trong các lĩnh vực như độ trễ và linh hoạt. Ví dụ, cả GPU và FPGA đều có thể thực hiện xử lý song song, nhưng phần cứng GPU được thiết kế cho sự hấp dẫn rộng rãi và không phù hợp với việc hỗ trợ các ứng dụng Edge cụ thể như FPGA. Mặt khác, ASIC được nhắm mục tiêu cho các ứng dụng cụ thể, nhưng chức năng cố định của chúng có nghĩa là chúng yêu cầu phải thiết kế lại hoàn toàn để phù hợp với bất kỳ thay đổi đáng kể nào trong việc sử dụng. FPGA được thiết kế để cung cấp cả hai thế giới; chúng cung cấp độ trễ thấp đi kèm với các đường ống phần cứng tùy chỉnh và không gian cho các sửa đổi sau khi triển khai mỗi khi mô hình Edge cần cập nhật.

Tất nhiên, không có lựa chọn nào là chính xác duy nhất. Điều này phụ thuộc vào từng nhà phát triển để quyết định điều gì hợp lý cho hệ thống của họ. Họ nên xem xét cẩn thận các chức năng chính của ứng dụng, các kết quả cụ thể họ đang cố gắng đáp ứng và mức độ linh hoạt thiết kế cần có từ góc độ tương lai. Điều này sẽ cho phép họ chọn đúng tập hợp các thành phần phần cứng và phần mềm để đáp ứng các yêu cầu của họ – chúng tôi chỉ tình cờ nghĩ rằng FPGA thường là lựa chọn đúng.

Làm thế nào các FPGA của Lattice nâng cao việc ra quyết định dựa trên Trí tuệ nhân tạo tại Edge, đặc biệt là trong các ngành như ô tô, tự động hóa công nghiệp và IoT?

Khả năng xử lý song song của FPGA là một nơi tốt để bắt đầu. Không giống như các bộ xử lý tuần tự, kiến trúc của FPGA cho phép chúng thực hiện nhiều nhiệm vụ song song, bao gồm cả tính toán AI, với tất cả các khối logic có thể cấu hình thực hiện các hoạt động khác nhau đồng thời. Điều này cho phép có thông lượng cao, độ trễ thấp cần thiết để hỗ trợ các ứng dụng thời gian thực trong các lĩnh vực dọc chính bạn đã đề cập – cho dù chúng ta đang nói về xe tự hành, robot công nghiệp thông minh hay thậm chí là thiết bị thông minh tại nhà hoặc thiết bị đeo y tế. Hơn nữa, chúng có thể được tùy chỉnh cho các khối lượng công việc AI cụ thể và dễ dàng lập trình lại trong lĩnh vực khi các mô hình và yêu cầu thay đổi theo thời gian. Cuối cùng nhưng không kém, chúng cung cấp các tính năng bảo mật cấp độ phần cứng để đảm bảo các hệ thống được hỗ trợ bởi Trí tuệ nhân tạo vẫn an toàn, từ khởi động đến xử lý dữ liệu và hơn thế nữa.

Có những trường hợp sử dụng thực tế nào mà FPGA của Lattice đã cải thiện đáng kể hiệu suất, bảo mật hoặc hiệu quả của Trí tuệ nhân tạo tại Edge?

Câu hỏi tuyệt vời! Một ứng dụng mà tôi thực sự thấy thú vị là cách các kỹ sư sử dụng FPGA của Lattice để cung cấp năng lượng cho thế hệ tiếp theo của robot thông minh, được hỗ trợ bởi Trí tuệ nhân tạo. Các robot thông minh cần khả năng xử lý thời gian thực, trên thiết bị để đảm bảo tự động hóa an toàn, và đó là điều mà Trí tuệ nhân tạo tại Edge được thiết kế để cung cấp. Không chỉ nhu cầu về những trợ lý này đang tăng lên, mà sự phức tạp và tinh vi của các chức năng của chúng cũng vậy. Tại một hội nghị gần đây, nhóm Lattice đã chứng minh cách sử dụng FPGA cho phép một robot thông minh theo dõi đường đi của một quả bóng và bắt nó ở giữa không trung, chỉ ra sự nhanh chóng và chính xác mà những cỗ máy này có thể đạt được khi được xây dựng với các công nghệ phù hợp.

Điều làm cho điều này thú vị đối với tôi, từ góc độ phần cứng, là cách các chiến thuật thiết kế đang thay đổi để thích ứng với những ứng dụng này. Ví dụ, thay vì chỉ dựa vào CPU hoặc các bộ xử lý truyền thống khác, các nhà phát triển đang bắt đầu tích hợp FPGA vào hỗn hợp. Lợi ích chính là FPGA có thể giao tiếp với nhiều cảm biến và bộ phận hơn (và nhiều loại thành phần này), đồng thời thực hiện các nhiệm vụ xử lý cấp thấp gần các cảm biến để giải phóng động cơ tính toán chính cho các tính toán tiên tiến hơn.

Với nhu cầu ngày càng tăng về suy luận Trí tuệ nhân tạo tại Edge, Lattice đảm bảo FPGA của mình vẫn cạnh tranh với các chip AI chuyên dụng được phát triển bởi các công ty bán dẫn lớn như thế nào?

Không có sự nghi ngờ nào rằng việc theo đuổi các chip AI đang thúc đẩy phần lớn ngành công nghiệp bán dẫn – chỉ cần nhìn vào cách các công ty như Nvidia chuyển từ việc tạo ra card đồ họa trò chơi sang trở thành những gã khổng lồ trong ngành AI. Tuy nhiên, Lattice mang lại những điểm mạnh độc đáo lên bàn, điều này khiến chúng tôi nổi bật ngay cả khi thị trường trở nên bão hòa hơn.

FPGA không chỉ là một thành phần chúng tôi chọn đầu tư vì nhu cầu đang tăng lên; chúng là một phần quan trọng của dòng sản phẩm cốt lõi của chúng tôi. Các điểm mạnh của các sản phẩm FPGA của chúng tôi – từ độ trễ và khả năng lập trình đến tiêu thụ năng lượng và khả năng mở rộng – là kết quả của nhiều năm phát triển kỹ thuật và tinh chỉnh. Chúng tôi cũng cung cấp một loạt các phần mềm và giải pháp hàng đầu trong ngành, được xây dựng để tối ưu hóa việc sử dụng FPGA trong các thiết kế AI và hơn thế nữa.

Chúng tôi đã tinh chỉnh FPGA của mình thông qua nhiều năm cải tiến liên tục được thúc đẩy bởi sự lặp lại về các giải pháp phần cứng và phần mềm của chúng tôi và mối quan hệ với các đối tác trên toàn ngành công nghiệp bán dẫn. Chúng tôi sẽ tiếp tục cạnh tranh vì chúng tôi sẽ tiếp tục theo con đường này, làm việc với các đối tác thiết kế, phát triển và triển khai để đảm bảo rằng chúng tôi đang cung cấp cho khách hàng của mình các khả năng kỹ thuật phù hợp và đáng tin cậy nhất.

Vai trò của khả năng lập trình trong FPGA là gì để thích nghi với các mô hình và khối lượng công việc Trí tuệ nhân tạo đang phát triển?

Không giống như phần cứng chức năng cố định, FPGA có thể được tái công cụ và lập trình lại sau khi triển khai. Khả năng thích nghi này có thể là sự khác biệt lớn nhất của chúng, đặc biệt là trong việc hỗ trợ các mô hình và khối lượng công việc Trí tuệ nhân tạo đang phát triển. Xem xét sự năng động của cảnh quan Trí tuệ nhân tạo, các nhà phát triển cần có khả năng hỗ trợ các bản cập nhật thuật toán, tập dữ liệu ngày càng tăng và các thay đổi quan trọng khác khi chúng xảy ra mà không phải lo lắng về việc nâng cấp phần cứng liên tục.

Ví dụ, FPGA đã và đang đóng một vai trò quan trọng trong sự chuyển dịch sang mã hóa hậu lượng tử (PQC). Khi các doanh nghiệp chuẩn bị chống lại các mối đe dọa lượng tử sắp tới và làm việc để thay thế các sơ đồ mã hóa dễ bị tấn công bằng các thuật toán thế hệ tiếp theo, họ đang sử dụng FPGA để tạo điều kiện cho một quá trình chuyển đổi liền mạch và đảm bảo tuân thủ các tiêu chuẩn PQC mới.

Làm thế nào các FPGA của Lattice giúp các doanh nghiệp cân bằng sự đánh đổi giữa hiệu suất, tiêu thụ năng lượng và chi phí trong các triển khai Trí tuệ nhân tạo tại Edge?

Cuối cùng, các nhà phát triển không nên phải chọn giữa hiệu suất và khả năng. Vâng, các ứng dụng Edge thường bị cản trở bởi các hạn chế về tính toán, tiêu thụ năng lượng và độ trễ tăng lên. Nhưng với FPGA của Lattice, các nhà phát triển được trao quyền với phần cứng linh hoạt, tiết kiệm năng lượng và có thể mở rộng, có khả năng giảm thiểu những thách thức này. Các giao diện I/O có thể tùy chỉnh cho phép kết nối với các ứng dụng Edge khác nhau trong khi giảm độ phức tạp.

Sự sửa đổi sau khi triển khai cũng làm cho nó dễ dàng hơn để điều chỉnh và hỗ trợ nhu cầu của các mô hình đang phát triển. Ngoài ra, việc tiền xử lý và tổng hợp dữ liệu có thể xảy ra trên FPGA, giảm gánh nặng năng lượng và tính toán trên các bộ xử lý Edge, giảm độ trễ và giảm chi phí, đồng thời tăng hiệu quả của hệ thống.

Bạn hình dung tương lai của phần cứng Trí tuệ nhân tạo sẽ phát triển như thế nào trong 5-10 năm tới, đặc biệt là liên quan đến Trí tuệ nhân tạo tại Edge và xử lý tiết kiệm năng lượng?

Các thiết bị Edge sẽ cần phải nhanh hơn và mạnh hơn để xử lý nhu cầu tính toán và năng lượng của các thuật toán Trí tuệ nhân tạo và Học máy ngày càng phức tạp mà các doanh nghiệp cần để phát triển – đặc biệt là khi các ứng dụng này trở nên phổ biến hơn. Các khả năng của các thành phần phần cứng động hỗ trợ các ứng dụng Edge sẽ cần phải thích nghi cùng với chúng, trở nên nhỏ hơn, thông minh hơn và tích hợp hơn. FPGA sẽ cần phải mở rộng khả năng linh hoạt hiện có của chúng, cung cấp khả năng tiêu thụ năng lượng thấp và độ trễ thấp cho các cấp độ nhu cầu cao hơn. Với những khả năng này, FPGA sẽ tiếp tục giúp các nhà phát triển lập trình lại và cấu hình lại một cách dễ dàng để đáp ứng nhu cầu của các mô hình đang phát triển – cho dù đó là các phương tiện tự hành tinh vi, tự động hóa công nghiệp, thành phố thông minh hay hơn thế nữa.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, những người đọc muốn tìm hiểu thêm nên truy cập Lattice Semiconductor.