关于FPGA在AI芯片中的重要性

人工智能的三大支撑是硬件、算法和数据，其中硬件指的是运行 AI 算法的芯片与相对应的计算平台。在硬件方面，目前主要是使用 GPU 并行计算神经网络，同时，还有 FPGA 和 ASIC 也具有未来异军突起的潜能。GPU （Graphics Processing Unit）称为图形处理器，它是显卡的“心脏”，与 CPU 类似，只不过是一种专门进行图像运算工作的微处理器。

GPU 是专为执行复杂的数学和几何计算而设计的，这些计算是图形渲染所必需的。GPU 在浮点运算、并行计算等部分计算方面可以提供数十倍乃至于上百倍于 CPU 的性能。英伟达公司从 2006 年下半年已经开始陆续推出相关的硬件产品以及软件开发工具，目前是人工智能硬件市场的主导。

GPU 对海量数据并行运算的能力与深度学习需求不谋而合，因此，被最先引入深度学习。2011 年吴恩达教授率先将其应用于谷歌大脑中便取得惊人效果，结果表明，12 颗英伟达的 GPU 可以提供相当于 2000颗 CPU 的深度学习性能。

GPU 作为图像处理器，设计初衷是为了应对图像处理中需要大规模并行计算。因此，其在应用于深度学习算法时，有三个方面的局限性：1.应用过程中无法充分发挥并行计算优势。2.硬件结构固定不具备可编程性。3.运行深度学习算法能效远低于 ASIC 及 FPGA。FPGA（Field－Programmable Gate Array）称为现场可编程门阵列，用户可以根据自身的需求进行重复编程。与 GPU、CPU 相比，具有性能高、能耗低、可硬件编程的特点。

FPGA 比GPU 具有更低的功耗，比 ASIC 具有更短的开发时间和更低的成本。自 Xilinx 在 1984 年创造出 FPGA 以来，在通信、医疗、工控和安防等领域占有一席之地，在过去几年也有极高的增长率。而进入了最近两年，由于云计算、高性能计算和人工智能的繁荣，拥有先天优势的 FPGA 的关注度更是到达了前所未有的高度。

就目前市场而言，英特尔、IBM、德州仪器、摩托罗拉、飞利浦、东芝、三星等巨头纷纷涉足 FPGA，但最成功的是 Xilinx 与 Altera。这两家公司共占有近 90%的市场份额，专利达到 6000 余项。Intel 在 2015 年以 161 亿美元收购了 Altera，也是看中 FPGA 专用计算能力在人工智能领域的发展。从行业巨头巨头的动作可以看出，由于 FPGA 在计算能力和灵活性上大大弥补了 CPU 的短板，未来在深度学习领域，CPU+FPGA 的组合将成为重要的发展方向。

FPGA也有三类局限：1、基本单元的计算能力有限；2、速度和功耗有待提升；3、FPGA 价格较为昂贵。ASIC（Application Specific Integrated Circuit）是一种为专门目的而设计的集成电路。无法重新编程，效能高功耗低，但价格昂贵。

近年来涌现出的类似TPU、NPU、VPU、BPU等令人眼花缭乱的各种芯片，本质上都属于ASIC。ASIC不同于 GPU 和 FPGA 的灵活性，定制化的 ASIC 一旦制造完成将不能更改，所以初期成本高、开发周期长的使得进入门槛高。目前，大多是具备 AI 算法又擅长芯片研发的巨头参与，如 Google 的 TPU。由于完美适用于神经网络相关算法，ASIC 在性能和功耗上都要优于 GPU 和 FPGA，TPU1 是传统 GPU 性能的 14-16 倍，NPU 是 GPU 的 118 倍。寒武纪已发布对外应用指令集，预计 ASIC 将是未来 AI 芯片的核心。

ASIC 的另一个未来发展是类脑芯片。类脑芯片是基于神经形态工程、借鉴人脑信息处理方式，适于实时处理非结构化信息、具有学习能力的超低功耗芯片，更接近人工智能目标，力图在基本架构上模仿人脑的原理，用神经元和突触的方式替代传统“冯诺依曼”架构体系，使芯片能进行异步、并行、低速和分布式处理的能力，同时具备自主感知、识别和学习能力。IBM 的 NorthTrue 即属于类脑芯片。目前类脑芯片尚处于初期，距离商业化还存在一段距离，这也是各国正在积极布局的地方。

不同种类的芯片适用于不同的场景。GPU 和 CPU 适合消费和企业级；FPGA 更适用于企业用户，尤其是对芯片的可重复配置需求较高的军工和工业电子领域，非常适合在云端数据中心部署；ASIC 如能达到量产，成本相对 FPGA 方案较低，能耗更适用于消费级市场。