MBI6024是一款為LED燈條設計的3x4通道、恒流、內建PWM的LED驅動器。MBI6024提供每通道3mA 至45mA范圍的恒流，且每組輸出通道可透過三個外部電阻調整電流。MBI6024可支持3.3V與5V的電源系統并且每個輸出通道可耐壓至17V。 藉由Scrambled-PWM (S-PWM) 的技術，MBI6024可加強脈寬調變的功能，將導通的時間分散成數個較短的導通時間，進而增加了視覺的更新率。此外，灰階時脈GCLK可藉由內部的震蕩器或外部時脈來源產生。MBI6024提供兩種可選的灰階模式，包括16位與10位灰階模式。其中，16位灰階模式可提供每個LED高達65,536灰階的豐富顏色變化，搭配8位的點校正模式，可進行256階的點校正補償色彩亮度。另外，10位灰階模式可達到1,024灰階表現，搭配6位點校正模式，可進行64階的點校正。 MBI6024僅需要二線傳輸，可簡化像素間連結的系統設計。為了增強訊號傳輸質量，MBI6024提供輸出時脈訊號反相設計，讓通過每顆驅動器后的時脈波形反相，可避免長距離傳輸時脈訊號受到扭曲。MBI6024在PWM數據同步時提供可彈性選擇的自動與手動模式。手動模式可提升驅動器間影像間的同步，而自動模式可特別在使用內部震蕩器時，達到精準的灰階表現。

特點：
z 專為LED燈條設計之3x4通道恒流LED驅動器
z 恒流范圍3~45mA
z RGB電流分別由一個外掛電阻設定；RGB各4個輸出通道
z 輸出通道耐壓 17V
z 操作電壓 3~5.5V
z內建16位脈寬調變控制器 (PWM Generator)
- 內部震蕩器或外部時脈計數產生灰階時脈
- S-PWM專利技術
z 兩種可選擇的的灰階模式可在影像質量與傳輸頻寬取得適當平衡
- 16位灰階模式 (可選擇搭配8位點校正)
- 10位灰階模式 (可選擇搭配6位點校正)
z 可靠的數據傳輸接口
- 菊環鏈 (Daisy-chain)數據傳輸架構
- 二線傳輸接口
- 輸出󰮴󰱧訊號反相 (Phase-Inversed Output Clock)
- 內置長距離傳輸的緩沖器
z 可選擇的操作模式
- 自動同步模式
- 手動同步模式
z RoHS無鉛環保包裝
應用：
z LED 燈條
z LED 窗簾燈

z LED󰊳建筑物裝飾照明

在芯片架構設計領域中，可重構計算技術并非一項新的存在。20世紀60年代末，加利福尼亞大學的Geraid Estrin首次提出重構計算，后過去二十余年，Xilinx才基于這一原型系統推出該技術的重要分支——FPGA架構，正式開啟現代重構計算技術。

即便如此，由于此前芯片發展一直走在摩爾定律預設的方向上，FPGA始終無法進入公眾的視野中，而在學術研究領域，它也一直只是芯片技術研究中少有人關注的冷門項目。不曾想，在這一波AI浪潮的推動下，可重構計算技術迅速從學術邊緣走向了主流。

AI浪潮與芯片架構創新

任何技術的興起都是市場需求、技術迭代與產業發展合力推動的結果，AI不例外，芯片的變革更是如此。

在算力需求持續增長的背景下，AI算法對芯片運算能力的要求上升到傳統芯片的百倍以上，想像一下，采用了人工智能算法的AlphaGo需要用到上千塊傳統處理器(CPU)和上百塊圖形處理器(GPU)。類似，傳統處理器根本無力支持智能家居、自動駕駛和智能終端等應用場景的巨大算力需求，因此基于傳統CPU搭建出新的架構就顯得迫在眉睫，AI芯片也就此誕生。

對于這一新興的芯片市場，摩根大通的分析師Harlan Sur曾公開表示，到2022年為止，AI芯片市場將以每年59%的成長速度增長，屆時市場規模有望達到330億美元。

用迅猛之勢來形容AI芯片產業的發展毫不為過，這一新興事物也打破了整個市場既有的產業形態。在新興芯片市場占據龍頭地位的英偉達，其CEO黃仁勛就多次在公開場合中表示：“摩爾定律時代已經終結。”這也并非一家之言，作為摩爾定律的提出者，Intel也多次公開承認這一點。

沒有摩爾定律的約束，在接下來很長一段時間內，芯片產業勢必將進入自由生長狀態，AI芯片產業呈現了前所未有的百花齊放。但其實深入去看，它卻也被有章法的推進著。事實上，最為明顯的就是，伴隨著整個市場對功能的需求變化和終端的發展，GPU、ASIC等主流芯片架構技術正逐步有序得的迭代和擴大自己的市場占比。

目前，因市場對智能的實現尚處于初期，AI中關鍵的應用需求更偏向于訓練端，因而，在訓練市場中獨大的GPU成為芯片市場的主流架構也就毫不奇怪。但真正的智能一定離不開邏輯推理部分。自然，作為這一功能實現的主力軍，ASIC和FPGA備受業內關注，其中，熱度蹭蹭上漲的FPGA可以說是格外引入注目。

FPGA熱潮啟示錄

在AI并不火熱的時間段，FPGA常年來被用作專用芯片(ASIC)的小批量替代品。因傳統計算機馮·諾依曼結構的約束，比CPU甚至GPU能效更高的FPGA一直未有用武之地，直到神經網絡算法的出現。

不得不說，從初入商用市場到獨立成產品，FPGA架構技術似乎從未和AI算法分離開過，硬件上的節點與算法的神經元結構形成天然的呼應，頗有天造地設的意味。

如所料，FPGA最早一出現就伴隨著神經網絡算法研究，2011年，Altera推出OpenCL，其中的CNN算法研究就是基于FPGA的，這讓FPGA重回了人們的視野中;后時隔三年，微軟推出Catapult項目，開發了高吞吐CNN FPGA加速器，將這種架構更緊密的與神經網絡算法實現綁在了一起;2015年，陷入轉型焦慮的Intel直接選擇收購Altera，這一舉動后來甚至帶起了一波CPU+FPGA熱，但這一刻FPGA的魅力還沒有真正被展現出來。直到一年后，Intel終利用BP算法在FPGA上實現了5GOPS處理能力，這一架構的優勢終鋒芒初現。

一步一步，伴隨著深度學習的應用和滲透，FPGA架構技術也越來越受各芯片廠商關注，在多次大會的行業交流中，多位芯片研發人員都指出：綜合考慮成本、可行性等因素，在可見的未來里，架構創新是唯一算力提升解決方案。而FPGA無疑為整個行業帶來架構設計上的新思路。

第一次，FPGA被用于產品端是在iPhone 7上，蘋果集成了Lattice iCE40 FPGA，將其作為超低功耗的邏輯處理兼傳感器部件。從技術到產品端，這一技術架構只用了短短七年，而蘋果的成功嘗試也為這一技術架構加分不少。現在，業內人士也普遍將它列為舊有半導體甚至終端架構的關鍵顛覆者，也因此，FPGA這七年的持續熱度給出了整個行業的風向標：半導體架構進入了新的征程，尤其為AI芯片的設計提供了關鍵思路。

站在FPGA的肩膀上，可重構芯片誕生

對于AI芯片的優勢，寒武紀陳天石曾這樣形象的描述道：“如果把深度學習看作切肉，傳統的處理器就是瑞士軍刀，我們的專用神經網絡處理器則相當于菜刀。瑞士軍刀通用性很好，什么都可以干，但干得不快，菜刀是專門用來做飯的，在切肉這件事情上，效率當然更高。”

按理，效率越高，算力越高，芯片產業發展應當重回到此前活躍增長的階段，但在近兩年整個產業卻出現了一種怪象：芯片產業進入了一種低效的繁榮狀態，現有的AI產品的數量只有兩位數，而單價幾乎不變，尤其是AI終端產品，產業利潤幾乎在個位數。在產業鏈端，產品開發費用、產品難度都在持續上升，在市場空間有限的條件下，產品的盈利空間直線下降。

事實上，僅僅融合FPGA架構設計的高效對整個產業的發展來說是依然不夠的，菜刀終究還是菜刀，AI芯片的應用場景和變現能力實在十分有限。對此，清華大學微電子所所長魏少軍就直接點出：“要想讓AI芯片能夠在使用中變得更‘聰明’，架構創新就是它不可回避的課題。”

產業端，為了打破這一現狀，地平線、寒武紀、Arm等眾多新老玩家紛紛給出了各自的平臺性商用解決方案，但終不是長久之計。對此，業內的共同認知是：若想釜底抽薪，設計出一款動態可重構的并行計算芯片，以實現一塊芯片可以跑多種算法，節省資源，大大提高通用性，極大程度上促進整個產業的發展。

所幸，在國內，目前尚有兩款芯片代表：一款是清華大學的Thinker可重構AI芯片，它獲得了2017年國際低功耗電子與設計會議設計競賽獎，這是一款由65nm工藝制成的芯片，不過其峰值性能能夠達到410GOPS，能效達5TOPS/W。第二款是南京大學RAPS可重構芯片，它由40nm工藝制成，可以實現25種與信號處理有關的算法，峰值性能69GFLOPS，能效達到32GFOPS/W。與TMS320C6672多核DSP比較，性能能夠提高一個數量級。

值得一提的是，兩款芯片制程一般，工藝泛泛，卻收獲如此高效的性能，架構創新的四兩撥千斤功效可見一斑。

最后

縱觀第三波AI浪潮下的半導體產業，有兩個現象級事件奠定了當下芯片產業的基調：曾經逃離半導體行業的風投又紛紛重新回到了半導體行業;歷來觀潮的中國，現在成了弄潮兒。

不言而喻，這兩大趨勢撞在一起發生的化學效應率先打破了整個半導體行業既有的產業形態。但不可忽視的是，作為工業的糧食，芯片架構創新帶動的產業活力才將成為推動第三波AI浪潮持久發展的動力。

如許衍居院士所言：未來10年，整個半導體產業將會從cSoC時代走向rSoC時代。但是可重構芯片發展還需要突破眾多難關，如基于可重構計算搭建的硬件平臺是需要搭建一個統一的標準平臺還是僅僅只開發一個通用的編程模型?采用雙編程如何劃分軟硬件任務并處理好之間的通信問題?這些問題依舊是纏繞在可重構芯片發展之路上的藤蔓，披荊斬棘，路且漫長。