在過去的幾年里，我們目睹了數據的一系列巨大變化，包括數據如何被生成、處理以及進一步利用以獲取額外的價值和智能，而這些變化都受到以深度學習和神經網絡應用為基礎的新興計算模式所影響。這種深刻的變化始于數據中心，其利用深度學習技術來提供對海量數據的洞察，主要用于分類或識別圖像、支持自然語言處理或語音處理，或者理解、生成或成功學習如何玩復雜的策略游戲。這種變化催生了一批專門針對這些類別的問題而設計的高功效計算設備（基于GP-GPU和FPGA），后來還產生了可完全定制的ASIC，進一步加速并提高了基于深度學習的系統的計算能力。

大數據和快速數據 

大數據應用采用專門的GP-GPU、FPGA和ASIC處理器透過深度學習技術來分析大型數據集，并揭示趨勢、模式和關聯性，從而實現圖像識別、語音識別等功能。因此，大數據是基于過去的信息或常駐在云端的靜止數據。大數據分析的一個常用的功能是執行特定任務“訓練過的”神經網絡，例如識別和標記圖像或視頻序列中的所有面部，語音識別也展示了神經網絡的強大功能。

這種任務最好由專門的引擎（或推理引擎）來執行，免備案空間 香港服務器，這種引擎直接駐留在邊緣設備上并由快速數據應用程序（圖1）來引導。通過在邊緣設備上處理本地所捕獲的數據，快速數據能夠利用來自大數據的算法提供實時決策和結果。大數據提供了從“過去發生了什么”到“將來可能會發生什么”所演繹出的洞察（預測分析），而快速數據則提供了能夠改善業務決策、運營并減少低效情形的實時行動，所以這一定會影響最終結果。這些方法可以適用于各種邊緣和存儲設備，例如照相機、智能手機和固態硬盤。

在數據上進行計算

新的工作負載基于兩種場景：（1）針對特定工作負載（例如圖像或語音識別）訓練大型神經網絡；以及（2）在邊緣設備上應用經過訓練的（或“適合的”）神經網絡。兩種工作負載都需要大規模并行的數據處理，其中包括大矩陣的乘法和卷積。這些計算功能的最佳實施方式需要在大矢量或數據陣列上運行的矢量指令。RISC-V就是一種非常適合于此類型應用的架構和生態系統，因為它提供了一套由開源軟件支持的標準化過程，使得開發人員能夠完全自由地采用、修改甚至添加專有矢量指令。圖1中概述了一些顯而易見的RISC-V計算架構機會。

移動數據

快速數據和邊緣計算的出現產生了一個實際的后果，即：與云端之間來回移動所有數據進行計算分析并不是一件有效率的事。首先，在移動網絡和以太網中進行遠距離傳輸時，它涉及到相對較大的數據延遲傳輸，這對于必須實時操作的圖像識別或語音識別應用而言并不是理想的。其次，在邊緣設備上進行計算需要更易于伸縮的架構，其中，圖像和語音處理或者在SSD上進行的內存計算操作都可用一種伸縮的方式來進行。采用這種方式，每一臺新增的邊緣設備都會帶來所需要的增量計算能力，對數據移動方式和時間進行優化是這種架構可伸縮性的一項關鍵因素。

圖1：大數據、快速數據和RISC-V機會

在圖1a中，directadmin安裝，云數據中心服務器利用在大型大數據集上訓練的深度學習神經網絡來執行機器學習的功能。在圖1b中，邊緣設備中的安全攝像機采用經過大數據訓練的推理引擎來實時識別圖像（快速數據）。在圖1c中，智能固態硬盤設備采用推理引擎進行數據識別和分類，從而有效地利用了此設備的帶寬。圖1展示了RISC-V內核的潛在機會，它可以自由地添加專有的及未來標準化的矢量指令，這些指令對于處理深度學習和推理技術相當有效。

另一個類似且重要的趨勢是大數據端和云端上數據的移動及訪問方式（圖2）。傳統的計算機體系結構（圖2a）采用慢速外圍總線，該總線連接到許多其他設備（例如，專用機器學習加速器、圖形卡、高速固態硬盤、智能網絡控制器，等等）。低速總線會影響設備的利用率，因為它限制了總線本身、主CPU以及主要的潛在持久內存之間的通信能力。這些新型計算設備也不可能在它們之間或與主CPU共享內存，從而導致在慢速總線上進行徒勞且受限制的數據移動。