FPGA是如何應對新冠疫情的?

很多業務覆蓋較廣的上遊企業，近半年的財報實則是最能反映電子科技行業內，哪些部分受到了新冠疫情的負面影響——典型如汽車、交通領域承受衝擊較大，又有哪些則在業務上受到正面影響——典型如客觀上推動企業數位化進程加速。此前在瑞薩的企業分析文章裡，我就提到過這一點。sVfEETC-電子工程專輯

不僅是瑞薩，半導體行業的此類企業實則還不少，比如說賽靈思。賽靈思FY2021前兩個季度的營收，整體上還是受到了新冠疫情的不良影響的。不過也因為賽靈思涉足業務較廣，新冠疫情對賽靈思的影響也比較複雜。sVfEETC-電子工程專輯

sVfEETC-電子工程專輯

上面這張圖是賽靈思2020年截至9月份，前兩個季度不同業務的營收佔比變化情況。從整體來看，賽靈思FY2021Q2季度總的營收（net revenue）為7.7億美元，相比去年同期的8.3億還是略有下滑的。但這個營收成績已經超過了賽靈思此前的預期中值，畢竟國際貿易環境以及國際形勢都有負面影響。sVfEETC-電子工程專輯

從不同的業務來看，Automotive, Broadcast and Consumer以及Wired and Wireless都在下滑。這是符合如今的大趨勢的，尤其汽車和通訊：出行相關的市場在疫情期間本來就在遭受毀滅性打擊；通訊相關（尤其Wireless）的部分，從賽靈思的角度來看，是因為5G發展速度的放緩。sVfEETC-電子工程專輯

但另一方面，Data Center（數據中心）和AIT（Aerospace and Defense; Industrial, Scientific and Medical; Test, Measurement and Emulation）則又有相當顯著的營收增長。其中數據中心業務的增長是最好理解的，畢竟全球帶寬需求的增長在疫情期間是很顯著的趨勢；而且數據中心本身就正在成為賽靈思的業務重心。sVfEETC-電子工程專輯

sVfEETC-電子工程專輯

賽靈思醫療科學全球業務市場負責人Subh BhattacharyasVfEETC-電子工程專輯

至於賽靈思的AIT業務，相關的構成十分多樣，所以無法一概而論，賽靈思也並未將這些業務的營收單獨列出。不過基本可以肯定的是，其中的醫療業務必然是有提升的，畢竟它與當前形勢息息相關。而且在前不久的賽靈思醫療市場及應用採訪中，賽靈思醫療科學全球業務市場負責人Subh Bhattacharya也提到，「確實醫療現在在我們的營收中佔了比較重要的比重，而且一直是以兩位數的速度在增長。」sVfEETC-電子工程專輯

「我們也加大了這個領域的投資力度，加上新冠疫情對市場的影響，以及人工智慧的發展，我們在這方面處在相當的優勢地位。」Bhattacharya表示，「我們有信心從GPU，以及傳統競爭對手的ASSP那裡獲得更多市場份額，所以總體來說相信我們產品的增長勢頭會非常強勁，在接下來5-10年都大有可為。」sVfEETC-電子工程專輯

那麼我們也不妨藉此機會來看一看，賽靈思在醫療領域的投入方向，以及從賽靈思的角度來理解電子科技對於控制新冠疫情，究竟是如何起到幫助作用的。sVfEETC-電子工程專輯

影響醫療行業發展的趨勢

「和其他行業一樣，醫療行業也受到了一些宏觀大趨勢的影響。」 Bhattacharya分享了賽靈思觀察到的醫療與電子產業交匯發展時的幾個重要趨勢。sVfEETC-電子工程專輯

「首先是互聯繫統與移動醫療。隨著數據和系統的爆發性增長，這個趨勢正變得越來越明確。」這實際上是促成電子產業在醫療領域大展身手，以及賽靈思醫療業務發展的一大原因。但另一方面，Bhattacharya特別提到，這一趨勢帶來了網絡攻擊相關的安全隱患。sVfEETC-電子工程專輯

另一個正廣泛應用於醫療的趨勢產物則是「適用於診斷的機器學習推斷」。「人工智慧和機器學習成為更加成熟的技術，可適用於診斷和醫療的方方面面。」包括疾病的早期發現、病原學領域的應用等。但這個趨勢，同時也帶來患者數據隱私方面的問題——畢竟機器學習對優質數據集有需求，數據隱私問題自然就顯現了。sVfEETC-電子工程專輯

福布斯雜誌此前的一份報導提到，目前全球安裝的醫療物聯網設備超過1億臺，到2020年將增長至1.61億臺。而在此背後的，是「醫界高管認為59%隱私問題，55%老舊系統集成，54%安全問題，是阻礙當今醫療機構採用物聯網的三大障礙」。而且隨著攻防雙方的不斷競賽和升級、新的安全標準的出現，性能需求也在提升。所以事實上，安全、隱私方面的更高要求，也成為醫療行業的發展趨勢。sVfEETC-電子工程專輯

除了這些大方向的趨勢，新冠病毒的肆虐實際上也加速了這一領域的某些技術趨勢。sVfEETC-電子工程專輯

「第一大趨勢是遠程醫療和遠程健康 。」sVfEETC-電子工程專輯

「第二是遠程病患的監護。」包括醫師的遠程診斷，或者患者在遠程位置接受診斷和治療。sVfEETC-電子工程專輯

「第三是定點照護。不是患者來找你，而是你找到患者。」sVfEETC-電子工程專輯

「第四，則是醫療中的AI應用。」sVfEETC-電子工程專輯

這幾個由新冠疫情加速的趨勢，實則最終仍然可以歸納總結至前文提到的幾個趨勢和需求。sVfEETC-電子工程專輯

sVfEETC-電子工程專輯

賽靈思應對這些趨勢做了什麼？

依據這些趨勢，電子科技行業具體做了些什麼，或者說因為這些需求的產生，電子科技行業的參與者是如何滿足這樣的需求的？Bhattacharya為我們舉了幾個例子。sVfEETC-電子工程專輯

其中最具代表性的，應該是賽靈思聯手Spline.AI，以及AWS（亞馬遜雲），開發X射線分型深度學習模型和參考設計。這套方案中的AI模型使用Amazon SageMaker進行訓練，使用AWS IoT Greengrass從雲端部署到邊緣，支持遠程機器學習模型更新、地域分布式推斷，能夠跨遠程網絡和廣闊地域做擴展。sVfEETC-電子工程專輯

這套方案本質上是個「自適應開源解決法案」，開源模型在賽靈思Zynq UltraScale+ MPSoC器件上的Python編程平臺運行。研究人員可對其進行調整，用於不同的應用或者特定的需求。採用這樣的開源設計，醫療終端設備、臨床設備製造商和醫療服務提供商能夠快速地為行動裝置、可攜式設備或護理點邊緣設備中的臨床應用和放射醫學應用，開發和部署模型，並可向雲端擴展。sVfEETC-電子工程專輯

這裡的賽靈思Zynq UltraScale+ Healthcare AI Starter Kit包含了ZCU104 FPGA板子，並採用DPU——賽靈思的深度學習處理單元，軟IP張量加速器，可用於在邊緣做各種神經網絡的推斷工作。當然AWS IoT Greengrass能夠實現進一步的擴展和部署。sVfEETC-電子工程專輯

但就邊緣端的推斷，賽靈思的MPSoC還是具備了相當的算力完成分型病理診斷，不需要向雲端傳輸數據；而AWS IoT Greengrass則藉由雲端做能力加強。值得一提的是，其中的模型可以重複訓練，開發者可以不斷改進應用（或者擴展到其他放射和臨床用例中），隨新數據的累計，可提升精度、進一步降低時延。sVfEETC-電子工程專輯

sVfEETC-電子工程專輯

這套解決方案已經應用到了肺炎和COVID-19檢測系統。開發團隊用了超過30000張帶有標記的肺炎圖像，以及500張COVID-19圖像對模型做訓練，如上圖所示——也就是X射線圖像數據集，最終起到預測COVID-19和肺炎，以及開發定製模型供臨床使用的作用。研究數據則已經提供給了醫療機構和研究機構。sVfEETC-電子工程專輯

這一例比較到位地表徵了將AI應用於醫療，或者「適用於診斷的機器學習推斷」。另一方面數據位於邊緣，實際上也能夠體現隱私安全方面的考量。sVfEETC-電子工程專輯

sVfEETC-電子工程專輯

與此同時，如前文所述隨網絡安全攻防雙方的競賽升級，可編程硬體平臺更進一步地適應新的安全防護：Bhattacharya還特別提到了醫療設備嵌入式系統的風險管理（主要包括確保功能安全與網絡安全的結構設計），以及醫療網絡安全平臺，可確保系統的可靠性，尤其是重症監護、手術這樣對安全性非常敏感的系統。sVfEETC-電子工程專輯

上面這張圖是賽靈思打造的一個安全特性可視化的演示平臺，涵蓋從邊緣到雲的一系列安全功能。是Zynq UltraScale+ MPSoC放到醫療的具體場景下，模擬患者監護儀，包括心率感應。演示內容包括了認證與加密啟動、安全啟動、測量啟動、安全應用通信、基於雲的監測等。sVfEETC-電子工程專輯

至於前文提到趨勢之一的遠程醫療，這原本就是賽靈思的強項，包括通信技術相關構成。這一例中AWS IoT Greengrass參與本身也是遠程醫療的表現，主要是醫療成像的圖像上載，從行動裝置向雲端傳輸圖像進行遠程診療。sVfEETC-電子工程專輯

醫療領域的更多合作

除了這個比較具有代表性的例子之外，再看看賽靈思在醫療領域的其他一些合作案例。和AI相關的，國內的聯影醫療用賽靈思的Alveo U200加速卡取代傳統GPU加速推斷工作。主要是因為相比傳統高GPU，這種PCIe加速卡的技術成本更低，功耗也更低。sVfEETC-電子工程專輯

如果再收窄到抗擊新冠病毒的問題上，賽靈思今年還與飛利浦合作，快速生產並交付患者監護儀所需的FPGA，為飛利浦提供支持；還有與人和未來（Genetalks）——這是個生物技術公司，其研究人員與湘雅醫學院一起用賽靈思SoC來加速基因組數據分析，加速藥物篩選和治療方面的研究。sVfEETC-電子工程專輯

在醫療成像領域的一個例子：醫療超聲——診斷醫療超聲波掃描，是一種為患者體內構造的成像方法。這類診斷成像方法，相比X光和CT掃描有不少優勢，但現有架構在可擴展能力方面是存在局限性的。賽靈思因此與合作夥伴研究了廣泛應用於雷達技術的合成孔徑（SA）成像和平面波（PW）成像方法。相比傳統順序採集超聲圖像一次一行成像的技術相比，這兩種方法是高度並行化的成像，一次發射就能重建完整圖像，能夠提高聚集度和穿透力，為高速心臟成像等應用提供了不錯的解決方案。sVfEETC-電子工程專輯

但也因此，這類方法對處理器要求提高數百倍。賽靈思最新的Versal ACAP外加Alveo加速卡，部署在工作站或伺服器上，成為上述兩種成像方法後端的理想選擇。此前我們曾撰文專門介紹過ACAP，ACAP內部的AI引擎內置了標量單元、矢量單元、負載單元和存儲器接口，能夠實現合成孔徑成像與平面波成像方法中，數據流算法所需的所有不同結構。sVfEETC-電子工程專輯

sVfEETC-電子工程專輯

前面介紹的這些例子，在我們這些普通人看來，應當都屬於比較窄或者Niche的市場了——開發者依然能夠利用相對先進的晶片產品來提供算力和算法支持，本身也體現了賽靈思近兩代產品，包括Zynq UltraScale+ MPSoC以及ACAP在延續「自適應」構思上的成功：即用相對更低的成本，實現更短的時延、更低的功耗、更高的效率，自適應地滿足醫療健康領域的臨床需求。這一點，我在此前《摩爾定律失效，FPGA迎來黃金時代？》一文中曾經詳細闡述過。sVfEETC-電子工程專輯

另外，Bhattacharya還補充說，「我們對於產品有更長的生命周期支持，可以做到7-10年，甚至15-20年，有的更長能夠達到25年。而且我們的可靠性更高，在表現上也優於CPU和GPU。」sVfEETC-電子工程專輯

事實上，「賽靈思在多種醫療應用領域都貢獻了價值。我們在大型掃描儀，比如CT，MRI、PET成像方面一直都很有優勢，還有各種超聲波；現在我們還有個迅速發展的領域就是內窺鏡，包括診療用的內窺鏡和手術用的內窺鏡。」 Bhattacharya 說，「再比如外科機器人，包括視覺和機器人方面；還有智能病床；除顫器、病人監護儀——這方面，我們都顯現出比傳統的CPU和GPU，無論啟動時間還是功耗、時延、性能，都擁有極大優勢。」sVfEETC-電子工程專輯

「奧林巴斯是全球最大的內窺鏡製造商，市場份額佔到70%以上。奧林巴斯就表示，與CPU、GPU相比，賽靈思展現出巨大的優勢。」 Bhattacharya舉例道。sVfEETC-電子工程專輯

靈活應變的醫療資產

在本次活動上，Bhattacharya還列舉了更多在醫療領域的合作案例，比如說Edico Genome對重症新生兒做基因組分析，賽靈思解決方案可將分析時間從一天縮短到20分鐘；EyeTech用賽靈思的方案，為身體無法移動的重症患者製造醫用通信的平臺，通過對患者眼球的追蹤與醫師護士做溝通；與國內最大醫療器械公司之一的邁瑞合作，為其提供設計需要的產品等。sVfEETC-電子工程專輯

賽靈思在醫療市場上體現出來的優勢，與其原本FPGA的自適應硬體特性，以及後續賽靈思推出的MPSoC、ACAP及其板子，為FPGA搭配更多固化單元，在保持靈活性（與相比專用硬體的成本優勢）的基礎上，以提升效率的這種思路，應該是最為息息相關的。畢竟醫療市場的很多具體產品要求極高的靈活性，而且Niche市場的容量本身也沒有那麼大。賽靈思現如今的產品也因此在醫療市場具備了天然的適用性。sVfEETC-電子工程專輯

相對具體地說，MPSoC很適用於醫療臨床領域，如智能病床、除顫器、監護儀、內窺鏡等；Versal ACAP則集成了更多資源，除了DSP之外還包括專門的AI引擎，很適用於醫療成像；Alveo加速卡實現應用加速 ，做醫療分析就相當有優勢了。sVfEETC-電子工程專輯

而且實際上，醫療設備也有一些特殊需求，比如說越來越要求封裝尺寸的縮減，而性能又無法妥協；某些場景比如無風扇監護儀，因為風扇葉片轉動會產生空穴效應，導致灰塵與病原體積聚，這就要求內部的低發熱或高溫下的持續工作能力，這對器件本身也都是有特定要求的。這些也都恰好契合了賽靈思現如今的產品形態。sVfEETC-電子工程專輯

Bhattacharya總結賽靈思在構建「智能且靈活應變的醫療資產」時的一些特點，實際上也是本文表達的幾個重要觀點：sVfEETC-電子工程專輯

• 與CPU和GPU相比，可縮短啟動時間、降低功耗、降低時延；
• 提供高效的AI推斷平臺，協助進行關鍵診斷；
• 利用邊緣技術，最大化隱私安全和最小化數據傳輸負載。

sVfEETC-電子工程專輯

最後值得一提的是，Bhattacharya還在溝通中提到：「從2011年開始，賽靈思推出全球首款集成Arm內核的Zynq SoC，當時稱為可擴展的處理器平臺，賽靈思將市場擴展到更大的嵌入式應用藍海。」sVfEETC-電子工程專輯

「之前的FPGA大家也知道，傳統意義上被用作輔助晶片，比如接口可以定製I/O，加上存儲通信等。但自從我們引入更多功能的SoC平臺之後，除了FPGA之外，我們還可以跟比如Arm處理器、數據安全處理器、功能安全處理器做集成，形成更為強大的Zynq UltraScale+這樣的技術平臺。在轉型後，我們從此前5%-6%的年增長，到如今14%-15%的增長。」這實則也表明了賽靈思此前轉型的成功。而醫療領域的收穫，正是轉型成功的體現之一。sVfEETC-電子工程專輯

責編：Luffy LiusVfEETC-電子工程專輯