机器学习领域技术大图：硬件算力
硬件算力可以说在人工智能三要素中处于发动机的角色，特别是深度学习在最近 10 年之所以获得突飞猛进的发展，很大程度得益于硬件算力在摩尔定律的驱动下获得持续的增长，如 GPU 在最近 10 年的理论算力获得了近几十倍的性能提升。所以，硬件算力也是阿里在人工智能技术领域的重中之重，并进行了重点布局和持续的技术研发投入，我们的技术核心战略是“通过建设核高基领域的研发能力，提供极致性价比的算力供给，奠定阿里云在 IaaS/PaaS 层具备产品易用性、多样性和差异化服务的能力”。
本文将分享当前阿里所有 AI/异构算力的方方面面。
基于FPGA的2FSK调制解调系统,包含testbench,高斯信道模块,误码率统计模块,可以设置不同SNR
本系统基于FSK调制解调，通过Vivado 2019.2仿真验证了不同信噪比(SNR)下的误码率表现。加入高斯信道与误码统计模块后，仿真结果显示：SNR=16dB时误码极少；随SNR下降至0dB，误码逐渐增多。FSK利用频率变化传输信息，因其易于实现且抗干扰性强，在中低速通信中有广泛应用。2FSK信号由连续谱与离散谱构成，相位连续与否影响功率谱密度衰减特性。Verilog代码实现了FSK调制、加性高斯白噪声信道及解调功能，并计算误码数量。
