本文于 9 月 2 日刊登于电子发烧友，作者程文智。
以前设计一个产品时，先要规划好硬件架构，等硬件设计全部完成后，才会开始软件部分的开发，然后才是完整产品的发布。现在，随着云计算、互联网的发展，以及AI、5G和自动驾驶的兴起，硬件和产品的开发流程需求在发生着前所未有的变化，比如更高的硬件性能、更高的安全和保密需求、不断增加的传感器类型和接口、不断演进的AI算法和模型，以及软件开发需要与硬件开发同步进行等等。
在这些新需求的推动下，“软件定义硬件”的概念被人多次提到，人们希望芯片中所有操作的控制和调度都由软件来完成，从而减少相应的硬件开销，把节省的部分用于运算和片上存储。这个愿望看起来很美好，但实现起来还是有不少难度的，比如FPGA可以实现一部分的软件定义硬件功能，但其效率比ASIC低，功耗却比ASIC高。那有没有什么更好的办法呢？
自适应计算的优势
赛灵思的自适应计算平台就是为此而生的。根据赛灵思的自适应计算白皮书和自适应计算专区，自适应计算以FPGA技术为基础，支持在芯片上动态构建特定领域架构（DSA）。也就是说，自适应计算允许DSA随需求变化进行动态更新，从而避免受到漫长的ASIC设计周期和高昂的NRE成本的约束。随着处理的分布式水平不断提高，自适应计算不仅能够支持软件的无线（OTA）更新，也支持硬件无线更新，而且更新可以几乎无线的次数反复进行。
“自适应平台”则指以自适应硬件为核心的任意类型产品或解决方案。自适应平台完全基于相同的自适应硬件基础，但其包含的内容远不止芯片硬件或器件，而是涵盖了全部的硬件和全面的成套设计软件和运行软件。
有了自适应平台后，硬件工程师可以从那些重复和低端的设计工作中解放出来，专注于自己擅长的专业功能的开发，软件工程师则可以跟硬件工程师同一时间开始设计工作，而不需要等到所有硬件全部设计好之后才开始工作。
当然，除了这个好处之外，自适应平台还有以下一些优势，包括加快产品上市进程、降低运营成本、可灵活且动态地配置工作负载、兼容未来以及可加速整体应用。
自适应计算成功落地案例
以前，工程师如果要使用FPGA，就需要自己构建自己的硬件板，并用硬件描述语言（HDL）配置好FPGA才行。如今，自适应平台的开发者只需要使用自己熟悉的软件框架和语言（比如C++++、Python、TensorFlow等），直接发挥自适应计算的效能。也就是说，软件和AI开发者不需要构建电路板，或者成为硬件专家，就能自如地运用自适应计算。
更为方便的是，工程师不仅可以通过API直接调用他们现有的软件代码，还可以使用独立软件供应商（ISV）生态系统和厂商提供的开源库，库里有大量的加速API可供使用。
以赛灵思自适应计算平台 Kria SOM和Alveo加速器卡为例。
•Kria SOM基于Zynq UltraScale+ MPSoC 架构而构建，支持开发者在交钥匙自适应平台上开发边缘应用。通过将系统的核心部分标准化，开发者有更多时间专注于打造差异化功能特性。
•Kria SOM是作为量产就绪型的产品来设计、制造和测试的。它可以承受各种严苛的应用环境。目前Kria SOM分为工业级和商用级两种类别，工业级支持更高的振动和更极端的温度，同时也有更长的生命周期等级和维保。
•主要针对智能视觉的应用，可用于智慧城市中的高速目标检测，如车牌识别等应用。同时还可以用于工业产线上的机器视觉应用。
•Alveo 加速器卡采用行业标准的PCI-e接口，可为任意数据中心应用提供硬件卸载能力，同时还可用于SmartSSD存储，在存储访问点上进行加速。此外，还能用于SmartNIC，直接在网络流量上提供加速。
•Alveo SN1000 SmartNIC 扩展了SmartNIC的性能包络，其以数据中心和边缘计算平台为目标，结合了高性能网络、CPU集群和大规模FPGA，在一块板子上构建了一个高性能计算（HPC）平台，具有显著的网络加速功能。
•Alveo SN1000 SmartNIC采用标准化和软件框架，不需要直接处理FPGA的编程，使用更加方便。工程师可以利用赛灵思或第三方支持FPGA中使用的大部分固件，甚至CPU集群上运行的软件。
•在应用方面，Alveo适用于基因组学分析、图形数据库、医疗影像的处理分析，以及基于视频影像监控类应用。在应用落地方面，已经有数据中心及基因测序应用方面都有应用。
结语
软件正在改变硬件，软硬件的结合发展将会改变产品的形态，进一步改变我们的生活。虽然现在软件定义硬件并没有大规模铺开，但不论从我们常用的手机应用，到工业应用，以及自适应计算平台中软件的作用，我们可以明显看到软件在产品中所起到的作用越来越大。未来自适应计算平台必将加速软件定义硬件时代的到来。
