自适应计算是一种基于FPGA等可重构硬件的计算模式

自适应计算的核心在于采用可针对特定应用高度优化的芯片硬件，这种优化可在硬件生产后进行，且几乎没有重复次数限制。硬件在生产部署后可进行更新，所运行的系统无需安装新硬件即可适应新的需求。自适应计算技术通过利用可配置的硬件块结构，高效构建适用于特定应用领域的架构，使硬件适应特定应用，而不是让应用适应硬件 。

自适应计算解决方案可分为FPGA和自适应SoC两大类，可为工业、汽车、医疗保健、航空航天等不同市场提供从边缘到云端的应用支持。自适应计算具有灵活性、高能效和面向所有开发者的特点，并采用标准语言、框架、IDE以及丰富的加速API 。

应用播报

典型应用场景与应用案例：自适应计算是自适应机器人的基本特征之一，能使机器人在运行过程中适配计算系统的确定性、功耗、安全态势或吞吐量等属性 。具体应用包括为加速运动规划而设计的计算流水线、分布式同步或时间敏感型弹性通信等 。赛灵思2021年4月推出Kria SOM自适应系统模块，面向软件开发者 。

实现方式：采用自适应计算后，构建机器人行为从“在给定CPU中进行功能编程”转变为“对架构进行编程” 。面向ROS 2的软件定义硬件架构可将硬件加速集成到ROS工作空间，适用于边缘、工作站、数据中心或云，支持FPGA和GPU，核心组件以Apache 2.0许可证开源 。软件和AI开发者可通过API、独立软件供应商（ISV）生态系统和厂商开源库调用自适应计算能力 。Vitis统一软件平台整合了高层次综合（HLS）、AI编译器（Vitis AI）和系统级设计工具，支持从C/C /Python生成FPGA比特流。模型动态精度调整（如从FP32切换至INT8）需要硬件支持，Xilinx AI Engine和Intel OpenVINO工具链包含相关功能 。

影响播报

在FPGA异构计算架构中，Xilinx（AMD）的异构架构强调“自适应计算”。其Versal ACAP系列将标量引擎（CPU）、自适应引擎（FPGA）和智能引擎（AI加速）集成于单芯片，形成“三引擎”异构架构，显著提升了边缘计算场景的实时性 。

自适应计算允许特定领域架构（DSA）随需求变化动态更新，避免受到漫长的ASIC设计周期和高昂的NRE成本的约束，改变了硬件迭代模式。自适应计算还支持软件和硬件无线（OTA）更新，且更新可反复进行，改变了设备升级与运维方式 。

自适应平台使硬件工程师从重复和低端的设计工作中解放出来，软件工程师可以跟硬件工程师同一时间开始设计工作，从而加快产品上市进程并降低运营成本 。但机器人专家普遍缺乏硬件和嵌入式技术专业知识，因而妨碍了FPGA等自适应计算技术的广泛采用 。

相关衍生播报

“软件定义硬件”是自适应计算的衍生概念，通常指将应用映射至FPGA，通过软件创建运行时可重配置硬件；在机器人领域，可理解为通过软件重新编程和适配的运行时可重配置机器人硬件。

赛灵思的自适应计算平台支持在芯片上动态构建特定领域架构（DSA）；广义的“自适应平台”指以自适应硬件为核心，涵盖全部硬件及成套设计软件和运行软件的产品或解决方案。

动态可重构计算技术持续演进。论文《The Principle and Progress of Dynamically Reconfigurable Computing Technologies》从设计方法论角度分析了动态可重构计算兼具高能效与灵活性的原因，并综述了关键技术进展与应用成果。

衍生出的相关实物与产品

Alveo加速器卡是赛灵思（AMD）自适应计算平台的产品示例。