1769-CRR3

1769-CRR3

1769-CRR3

正如我们指出的，Nvidia正在使用两个独立的GPU（用M4来训练，更低功耗的M4插入来削减服务器）来抵消这一点，但Dhulla认为FPGA仍然能够通过采用PCIe方法降低功耗，也可以嵌入超大规模数据中心。

他们的SDAccel编程环境通过提供对C，C ++和OpenCL的高级接口，使其更实用，但是推动超大规模和HPC采用的真正途径是通过zui终用户示例。

当涉及到这些早期的用户，就像为下一代的FPGA的应用搭建了舞台，Dhulla指向像Edico Genome这样的公司。Xilinx目前还与其他领域的客户合作，包括石油和天然气和金融方面的历史计算方面。早期客户将Xilinx 的FPGA应用在机器学习，图像识别和分析以及安全性方面，这可以看作他们计算加速业务发展的*步。

尽管双精度性能和总体价格不佳，FPGA的真正的大规模应用机会在于云端。因为FPGA可以提供GPU所不能提供的优势。如果FPGA供应商能够说服其zui终用户，他们的加速器可以提供相当大的性能提升（在某些情况下他们会这样做）给关键的工作负载。提供一个通过带有其他加速器（例如CUDA）的complexity-wise的编程环境推进OpenCL开发，通过在云端中提供FPGA来解决价格问题。这可能是一个新的希望。

当然，这种希望来源于将FPGA部署到有超密集服务器云端架构内，而不是在单机的销售上。这种模式已经在FPGA的金融服务中发生。

咨询   或

购买 ​:  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