1. 课程导入与工程全景
在开始动手写第一行 PL 逻辑或调用第一个 AI Engine 内核之前，我们需要先建立一张"工程全景图"。很多工程师在接触 AMD Versal 时，第一反应是把它当成"更快的 Zynq"——更大的 FPGA、更多的 DSP、更强的 ARM 核。这种理解会让人在项目中期陷入困境：明明硬件资源充足，却因为数据在 PL、AI Engine、DDR 之间反复搬运，导致端到端延迟远超预期。Versal 的核心价值不在于单点算力，而在于它把标量处理、可编程逻辑、向量 DSP 和 AI 引擎组织成了一条可编排的异构计算流水线。理解这条流水线的分工与数据流向，是本课程所有后续工作的前提。
Versal 的异构计算架构定位
Versal ACAP（Adaptive Compute Acceleration Platform）内部可以粗略划分为四个计算域。最上层是 Scalar Engine，即双核或四核 Arm Cortex-A72 应用处理单元，负责操作系统、控制流、网络协议栈和任务调度；旁边是 Adaptive Engine，也就是传统的可编程逻辑（PL），适合做像素级流水线、视频时序生成、高速接口协议以及确定性极强的定点运算；再往下是 AI Engine 阵列，由大量 VLIW 向量处理器和专用浮点/定点 MAC 组成，擅长矩阵乘、卷积、FFT 这类规则的高吞吐计算；最后是 DSP Engine，提供硬核浮点 DSP 切片，用于补充 PL 中的高精度运算。这四个域通过 NoC（Network-on-Chip）和 AXI 互联，共享 DDR 与 LPDDR 内存控制器。
对视频与视觉加速而言，这个架构的意义在于：视频输入输出、色彩空间转换、缩放、去隔行等"确定性数据流"放在 PL；目标检测、特征提取、分类等"计算密集型"任务放在 AI Engine；而任务编排、结果上报、与上位机通信放在 Arm 核。三者并行工作，而不是串行等待。
系统级开发流程
Versal 的工程开发不是"先写 RTL 再写软件"的线性过程，而是围绕平台（Platform）和加速内核（Kernel）两条主线并行推进。典型流程如下：首先在 Vivado 中创建 Versal 工程，配置 PS、PL、AI Engine 和 NoC 的硬件平台，导出 XSA；然后在 Vitis 中基于 XSA 创建平台工程，分别开发 PL 侧的 RTL/HLS 内核、AI Engine 侧的图（Graph）程序，以及 Arm 侧的 Linux 应用；最后通过 Vitis Analyzer 观察 AI Engine 的吞吐、PL 的时序余量和 NoC 带宽占用，迭代优化。
这里有一个容易被忽视的环节：接口契约的提前定义。PL 与 AI Engine 之间通过 AXI4-Stream 或内存映射接口通信，数据格式（如 RGB888 还是 YUV420）、位宽、行对齐、帧同步信号必须在编码前确定。否则后期修改接口会导致 PL 和 AI Engine 两侧同时返工。建议在项目启动时用一张接口表固定下来，例如：视频输入 1920×1080@60fps，YUV420 8bit，每帧 3 110 400 字节；AI Engine 输入为 640×640 INT8 张量，通道优先布局。
课程项目目标与硬件平台选型
本课程以一个完整的"智能视觉加速系统"作为贯穿项目：从 MIPI 摄像头采集 1080p 视频，在 PL 中完成去马赛克、缩放和色彩空间转换，将 640×640 的 INT8 张量送入 AI Engine 执行轻量级目标检测网络，检测结果回传 Arm 核进行框选叠加，最终通过 DisplayPort 输出带标注的视频流。项目目标不是追求最高帧率，而是让学员理解每个计算域的职责边界，以及数据在域之间流动时的带宽和延迟代价。
硬件平台选型方面，课程推荐使用 AMD Versal AI Core 系列 VCK190 评估板。它包含 400 个 AI Engine、双核 Cortex-A72、丰富的 PL 资源，以及 MIPI、DisplayPort、以太网等视频常用接口，适合承载本课程的全部实验。如果手头只有 Versal AI Edge 系列（如 VEK280），大部分实验也可以完成，但 AI Engine 数量和 PL 规模较小，需要适当降低网络规模或分辨率。选型时重点确认三件事：AI Engine 阵列规模是否满足目标网络的 MAC 需求、PL 是否有足够的 DSP 和 BRAM 做视频流水线、板卡是否具备所需的视频输入输出接口。
最后需要明确本课程的学习路径：前四章建立架构认知和工具环境，中间章节分别深入 PL 视频流水线、AI Engine 内核开发和 Arm 侧系统集成，最后以完整项目联调和性能分析收尾。每一章都会围绕真实工程对象展开，而不是孤立地讲某个 IP 或某条指令。当你完成全部实验后，应该能够独立判断一个视频视觉任务中，哪些部分该放进 PL、哪些该交给 AI Engine、哪些留给 Arm，以及如何用数据流和带宽预算来验证这个划分是否合理。