MCP1826S-3302E/DB
MCP1826-3302E/DB
MCP1701AT-3302I/MB
MCP1700T-3302E/MB
MC78LC33NTRG
MAX8888EZK33-T
MAX8888EZK33+T
MAX8887EZK33-T
MAX8887EZK33+T
MAX836EUS-T
MAX809TTRG
MAX809TD
MAX809STRG
MAX809SD
MAX809RTRG
MAX809REUR+T
MAX809RD
MAX809LTRG
MAX809LD
MAX1920EUT+T
M38503G4A-110FP
AI芯片如何同时提升算力和速度?
任何一款AI芯片，一旦被拿来与同类竞品相比对，算力和速度必然是首当其冲。但光有算力和速度显然是不够的，随着AI芯片越来越多的强调存算一体化，尤其对于边缘计算这类端侧应用，存储和计算若能同时进行，无疑能够极大的降低数据延时，对提高芯片的整体效率大有裨益。
Speedster7t的MLP就是为此而生，Robert告诉记者：“Speedster7t的核心采用了全新高度可配置的计算密集型单元模块——MLP，即机器学习处理器单元。每个MLP中拥有大规模的可编程计算单元平行阵列，能够提供业界最高的基于FPGA的计算密度，并可以支持4到24位的整点格式和高效浮点模式。一个MLP可以同时实现32个乘法，比传统FPGA中DSP的效率要高5倍。”
CPU、GPU、FPGA和ASIC 究竟谁会成为AI处理器的主流?
从AI芯片市场爆发之日起，业界一直对CPU、GPU、FPGA、ASIC谁将会是未来AI处理器的主流争议不断。而这次，Achronix创新性的将FPGA和ASIC的优势融为一体，显著降低功耗和成本的同时，也能提供基于FPGA的可编程能力，这是否也意味着更多的融合方案会逐渐取代单一的AI处理器架构，成为市场的主流?
对于这个问题，Robert认为：“每一类芯片都有其技术长处，并且AI芯片的市场在不断增长，所有的芯片类型都会从中受益，所以我认为未来会是一个多种方案并存的局面。就FPGA方面来讲，我们比较看好的应用会是语音、网络加速以及机器学习，这是我们器件方面的主要应用;如果是IP产品的话，我们认为主要还是5G、无线以及汽车ADAS这类市场，以及在存储器内部也会有需要加入运算的功能，让器件更灵活，这样就可能需要一些编程的能力。
