霍斯曼（Hussein Osman），Lattice Semiconductor的分段营销总监 – 采访系列

Hussein Osman 是半导体行业的资深专家，拥有二十多年的经验，将硅和软件产品推向市场，这些产品集成了感知、处理和连接解决方案，专注于为最终用户提供创新体验。在过去的五年里，他领导了 Lattice Semiconductor 的 sensAI 解决方案策略和上市工作，创建了高性能的 AI/ML 应用。奥斯曼先生从加利福尼亚理工州立大学圣路易斯奥比斯波分校获得了电气工程学士学位。

Lattice Semiconductor (LSCC +3.81%) 是低功耗可编程解决方案的提供商，这些解决方案被应用于通信、计算、工业、汽车和消费市场。该公司的低功耗 FPGA 和软件工具旨在帮助加速开发和支持从边缘到云的应用创新。

边缘 AI 正在获得关注，因为公司正在寻找替代云端 AI 处理的方法。你如何看待这种转变对半导体行业的影响，以及 Lattice Semiconductor 在这种转变中扮演什么角色？

边缘 AI 绝对是在获得关注，这是因为它有潜力真正革新整个市场。各个行业的组织都在转向边缘 AI，因为它帮助他们实现比云计算更快、更高效、更安全的运营——尤其是在实时应用中。人们通常关注的是边缘 AI 如何改变业务运营，但还有一个同时发生的旅程，它始于实施之前。

边缘 AI 的创新正在推动原始设备制造商设计可以运行 AI 模型的系统组件，尽管它们有尺寸限制。这意味着需要轻量级、优化的算法、专用硬件和其他增强性能的进步。这就是 Lattice Semiconductor 发挥作用的地方。

我们的现场可编程门阵列（FPGA）提供了设计师满足严格的系统要求所需的高度可适应的硬件，包括延迟、功耗、安全性、连接性、尺寸等。它们为工程师提供了一个基础，使他们能够构建能够保持关键任务应用（如汽车、工业和医疗应用）功能的设备。这是我们当前创新的一个重点领域，我们很高兴帮助客户克服挑战，并以信心迎接边缘 AI 的时代。

企业在实施边缘 AI 时面临的主要挑战是什么，您如何看待 FPGA 比传统处理器或 GPU 更好地解决这些问题？

您知道，一些挑战似乎是真正普遍的，因为任何技术都在进步。例如，希望利用边缘 AI 力量的开发人员和企业可能会面临诸如以下的共同挑战：

• 资源管理。边缘 AI 设备必须在有限的计算和电池容量内可靠地执行复杂的过程。
• 虽然边缘 AI 提供了本地数据处理的隐私优势，但它也引发了其他安全问题，例如物理篡改的可能性或小规模模型的漏洞。
• 边缘 AI 生态系统可能在硬件架构和计算要求方面非常多样化，使得在大规模上流线化数据管理和模型更新等方面变得困难。

FPGA 通过其并行处理、低功耗、硬件级安全功能和可重构性为企业提供了一个优势，以解决这些关键问题。虽然这些听起来像营销用语，但它们对于解决顶级边缘 AI 痛点至关重要。

FPGA 传统上用于桥接和 I/O 扩展等功能。是什么使它们特别适合边缘 AI 应用？

是的，您说得对，FPGA 在连接方面表现出色——这也是它们在边缘 AI 应用中如此强大的一个原因。如您所提到的，它们具有可定制的 I/O 端口，允许它们与广泛的设备和通信协议接口。除此之外，它们可以执行桥接和传感器融合等功能，以确保系统组件（包括传统和新兴标准）之间的数据交换、聚合和同步无缝进行。这些功能尤其重要，因为今天的边缘 AI 生态系统变得更加复杂，互操作性和可扩展性的需求也在增加。

然而，正如我们所讨论的，FPGA 的连接优势只是冰山一角；它还关乎它们的适应性、处理能力、能效和安全功能如何推动结果。例如，FPGA 可以被配置和重新配置以执行特定的 AI 任务，允许开发人员根据其独特需求量身定制应用，并满足不断演变的要求。

您能解释一下低功耗 FPGA 与 GPU 和 ASIC 相比，在边缘 AI 的效率、可扩展性和实时处理能力方面如何比较？

我不会假装像 GPU 和 ASIC 这样的硬件不具备支持边缘 AI 应用的计算能力。它们确实具备。但是，FPGA 在其他领域（如延迟和灵活性）确实具有优势。例如，GPU 和 FPGA 都可以执行并行处理，但 GPU 硬件是为广泛的应用而设计的，而不是为特定的边缘应用量身定做的。另一方面，ASIC 确实针对特定应用进行了优化，但其固定的功能意味着它们需要进行完全的重新设计才能适应任何重大用途变化。FPGA 旨在提供两全其美的效果；它们提供了来自定制硬件管道的低延迟和未来部署修改的空间。

当然，没有单一的选择是唯一正确的选择。每个开发人员都必须决定什么对他们的系统最有意义。他们应该仔细考虑应用的主要功能、他们试图满足的具体结果以及设计需要在未来证明方面有多大的灵活性。这将使他们能够选择正确的硬件和软件组件来满足他们的需求——我们只是碰巧认为 FPGA 通常是正确的选择。

Lattice 的 FPGA 如何增强边缘 AI 的决策能力，特别是在汽车、工业自动化和物联网等行业？

FPGA 的并行处理能力是一个很好的起点。与顺序处理器不同，FPGA 的架构允许它们同时执行多个任务，包括 AI 计算，所有可配置逻辑块都执行不同的操作。这使得高吞吐量、低延迟处理成为可能，以支持关键垂直领域（如自动驾驶汽车、智能工业机器人，甚至智能家居设备或可穿戴医疗设备）中的实时应用。此外，它们可以针对特定的 AI 工作负载进行定制，并可以在模型和要求随时间演变时轻松在现场重新编程。最后，它们提供了硬件级安全功能，以确保 AI 驱动的系统在从启动到数据处理等所有阶段保持安全。

Lattice 的 FPGA 在哪些实际应用中显著提高了边缘 AI 的性能、安全性或效率？

很好的问题！我发现一个很有趣的应用是工程师如何使用 Lattice FPGA 来为下一代智能、AI 驱动的机器人提供动力。智能机器人需要实时、在设备上的处理能力，以确保安全的自动化，这正是边缘 AI 设计来提供的。对这些助手的需求正在增加，它们的功能也变得更加复杂和先进。在最近的一次会议上，Lattice 团队展示了如何使用 FPGA，使智能机器人能够跟踪球的轨迹并在半空中接住它，展示了这些机器在使用正确技术构建时可以多么快速和精确。

对我来说，从硬件角度来说，设计策略的变化尤其有趣。例如，开发人员不再仅仅依赖 CPU 或其他传统处理器，而是开始将 FPGA 集成到混合中。主要的好处是 FPGA 可以与更多传感器和执行器（以及更多种类的这些组件）接口，同时执行低级处理任务以便于这些传感器，从而释放主计算引擎用于更高级的计算。

随着对边缘 AI 推理的需求增长，Lattice 如何确保其 FPGA 在与大型半导体公司开发的专用 AI 芯片相比仍然具有竞争力？

毫无疑问，AI 芯片的开发正在推动半导体行业的发展——看看像 NVIDIA 这样的公司如何从创建视频游戏图形卡转变为成为 AI 行业的巨头。然而，Lattice 拥有独特的优势，使我们即使在市场变得更加饱和的情况下也能脱颖而出。

FPGA 不仅仅是我们选择投资的组件，因为需求正在增长；它们是我们核心产品线的关键部分。我们的 FPGA 产品的优势——从延迟和可编程性到功耗和可扩展性——是多年技术开发和完善的结果。我们还提供一系列领先的行业软件和解决方案堆栈，旨在优化 FPGA 在 AI 设计和其他领域的使用。

我们通过多年的持续改进来完善我们的 FPGA，这种改进是由我们对硬件和软件解决方案的迭代以及与整个半导体行业的合作伙伴关系驱动的。我们将继续保持竞争力，因为我们将坚持这条道路，与设计、开发和实施伙伴合作，以确保我们为客户提供最相关和最可靠的技术能力。

FPGA 的可编程性在其适应不断演变的 AI 模型和工作负载方面起到了什么作用？

与固定功能硬件不同，FPGA 可以在部署后重新工具化和重新编程。这一固有的适应性是它们最大的区别，尤其是在支持不断演变的 AI 模型和工作负载方面。考虑到 AI 景观的动态性，开发人员需要能够支持算法更新、数据集的增长以及其他重大变化，而不必担心不断的硬件升级。

例如，FPGA 在向后量子密码学（PQC）的转变中发挥着至关重要的作用。随着企业为即将到来的量子威胁做准备，并努力用下一代算法替换易受攻击的加密方案，FPGA 正在被用来促进无缝过渡，并确保遵守新的 PQC 标准。

Lattice 的 FPGA 如何帮助企业在边缘 AI 部署中平衡性能、功耗和成本之间的权衡？

最终，开发人员不应该不得不在性能和可能性之间做出选择。是的，边缘应用通常受到计算限制、功耗限制和增加的延迟的阻碍。但是，使用 Lattice FPGA，开发人员可以使用灵活、节能和可扩展的硬件，这些硬件完全能够减轻这些挑战。可定制的 I/O 接口使得与各种边缘应用的连接成为可能，同时降低了复杂性。

部署后修改也使得支持不断演变的模型变得更容易。此外，FPGA 上可以进行预处理和数据聚合，从而降低边缘处理器的功耗和计算负担，减少延迟，并最终降低成本，提高系统效率。

您如何看待未来 5-10 年 AI 硬件的发展，特别是在边缘 AI 和低功耗处理方面？

边缘设备需要更快、更强大，以满足 AI 和 ML 算法的计算和能量需求，尤其是当这些应用变得更加普遍时。支持边缘应用的动态硬件组件的能力需要适应，变得更小、更智能、更集成。FPGA 需要在其现有的灵活性基础上扩展，提供低延迟和低功耗的能力，以满足更高的需求。凭借这些能力，FPGA 将继续帮助开发人员轻松地重新编程和重新配置，以满足不断演变的模型的需求——无论是用于更复杂的自动驾驶汽车、工业自动化、智能城市，还是其他领域。

感谢这次精彩的采访，希望了解更多的读者可以访问 Lattice Semiconductor。