1769-CRR3

1769-CRR3

正如我們指出的，Nvidia正在使用兩個獨立的GPU（用M4來訓練，更低功耗的M4插入來削減服務器）來抵消這一點，但Dhulla認為FPGA仍然能夠通過采用PCIe方法降低功耗，也可以嵌入超大規模數據中心。

他們的SDAccel編程環境通過提供對C，C ++和OpenCL的高級接口，使其更實用，但是推動超大規模和HPC采用的真正途徑是通過zui終用戶示例。

當涉及到這些早期的用戶，就像為下一代的FPGA的應用搭建了舞臺，Dhulla指向像Edico Genome這樣的公司。Xilinx目前還與其他領域的客戶合作，包括石油和天然氣和金融方面的歷史計算方面。早期客戶將Xilinx 的FPGA應用在機器學習，圖像識別和分析以及安全性方面，這可以看作他們計算加速業務發展的*步。

盡管雙精度性能和總體價格不佳，FPGA的真正的大規模應用機會在于云端。因為FPGA可以提供GPU所不能提供的優勢。如果FPGA供應商能夠說服其zui終用戶，他們的加速器可以提供相當大的性能提升（在某些情況下他們會這樣做）給關鍵的工作負載。提供一個通過帶有其他加速器（例如CUDA）的complexity-wise的編程環境推進OpenCL開發，通過在云端中提供FPGA來解決價格問題。這可能是一個新的希望。

當然，這種希望來源于將FPGA部署到有超密集服務器云端架構內，而不是在單機的銷售上。這種模式已經在FPGA的金融服務中發生。

咨詢   或

購買 ?:  或：

IC200CBL505 IC200CBL510 IC200CBL520 IC200CBL525 IC200CBL545 IC200CBL550 IC200CBL555 IC200CBL600 IC200CBL601 IC200CBL602 IC200CBL605 IC200CBL615 IC200CBL635 IC200CBL655 IC200CHS001 IC200CHS002 IC200CHS003 IC200CHS005 IC200CHS006 IC200CHS011 IC200CHS012 IC200CHS014 IC200CHS015 IC200CHS022 IC200CHS025 IC200CHS101 IC200CHS102 IC200CHS111 IC200CHS112 IC200CHS121 IC200CHS122 IC200CMM020 IC200CPU001 IC200CPU001LT IC200CPU002 IC200CPU005 IC200CPUE05 IC200DBI001 IC200DEM001 IC200DEM064 IC200DTX200 IC200DTX400 IC200DTX450 IC200DTX650 IC200DTX850 IC200EBI001 IC200ERM001 IC200ERM002 IC200ETM001 IC200GBI001 IC200KIT001 IC200MDD840 IC200MDD840LT IC200MDD841 IC200MDD842 IC200MDD842LT