2017 年 3 月 13 日，通过名为 reVISION?的堆栈，All programmable 技术和器件公司赛灵思（Xilinx）宣布将赛灵思技术扩展至广泛的视觉导向机器学习应用领域，解决软件及算法工程师 80% 的开发难题。

机器学习近年来的快速发展促进了传统嵌入式视觉系统的变革，众多传统嵌入式视觉应用采用机器视觉和传感器融合技术后都在发生巨变。

在 All programmable 技术和器件的全球领先企业赛灵思发布面向广泛视觉导向机器学习应用的名为 reVISION?堆栈解决方案的时候，赛灵思公司战略与市场高级副总裁 Steve Glaser 通过一个视频向我们展示了这样一个视觉导向的机器学习所推动的嵌入式视觉系统未来世界。

　　那么，赛灵思重磅发布的这个 reVISION?堆栈和嵌入式视觉系统的开发有什么关系，又有着什么样的市场价值和意义呢？

从传统的嵌入式视觉系统到视觉导向的自动化系统转变的三大需求

随着人工智能技术的发展，许多传统的嵌入式视觉系统正在逐步向利用机器学习和传感器融合的视觉导向系统应用转变，赛灵思 reVISION?所瞄准的，就是视觉导向的半导体市场。赛灵思认为这个市场占据大约三分之二的应用和三分之一的总市场容量。

　　许多传统嵌入式视觉系统正在逐步向利用机器学习和传感器融合的视觉导向系统应用转变

在 Steve Glaser 看来，从传统的嵌入式视觉系统到视觉导向的自主系统，其实质就是后者可以实现三大使命：

　　下一代视觉导向系统的应用使命

第一、系统要能够智能高效地快速响应

速度极快的确定性系统响应时间是十分必要的。以汽车识别潜在的碰撞并采取刹车为例，ADAS 实际应用需要实时进行响应，甚至有时要具备可预测性。快速响应可以轻松实现安全刹车，避免碰撞，反之则会造成碰撞，带来安全隐患。这不但要求系统从感应到处理、分析、决策、通信一列过程高效推进，同时还要高效部署最新的机器学习技术。

第二、 系统要可以灵活地升级到最新算法和传感器

就灵活性而言，为了能够用尖端神经网络和机器学习推断效率部署最佳系统，工程师必须能够在整个产品的产品生命周期同时优化软硬件。通过统计可以看出，机器学习领域最近两年的科技发展十分迅猛。许多新的神经网络随着新技术的出现不断发展，也大幅提高了的部署效率。

　　系统升级速度需要跟上神经网络演进的速度

而且，人工智能革命加速了传感器技术在不同领域的发展演进，也要求更高水平的传感器融合，以整合不同类型的传感器，以便在大环境下构建全面而完整的系统环境和对象视图。

　　系统升级需要跟上传感器融合的演进的速度

鉴于神经网络和相关算法的快速变化以及传感器的快速发展，可重配置性也就应运而生，使得软硬件系统不受传感器配置标准以及未来部署的限制，这满足了灵活性的需求。

第三、系统可以支持随时与其他机器和云相连接。

由于许多新系统都连接到了一起（比如物联网），因此需要与传统的已有设备通信，要与未来推出的新设备通信，还要能够进行云端通信。

赛灵思全可编程技术的独特优势

Steve Glaser 称，赛灵思全可编程的解决方案拥有独特的优势，可以全部满足以上自主系统需要实现的三大需求，而且比其它替代方案拥有显著的和可测量的优势。通过高效的推断和控制，赛灵思实现了传感器的最快响应时间，支持最新的神经网络，算法和传感器的可重构性，并支持与传统或新机器、网络和云的任意连接。

实际上，赛灵思全可编程解决方案在嵌入式视觉世界早已经被全球数百家用户所青睐。迄今为止，也就是在 reVISION?发布之前，全球已经有 23 家汽车制造商在 85 款不同车型的 ADAS 系统中部署了赛灵思先进的嵌入式视觉系统，另外还有数百家嵌入式视觉用户在其他数千种应用中也部署了赛灵思的先进嵌入式视觉系统。其中至少有 40 家已经在开发或部署机器学习技术以大幅提高系统的智能。大多数的视觉用户都看准了 Zynq® All Programmable SoC 和 MPSoC 的应用。