FPGA异构计算架构对比分析

twel2e

AI芯片主要分为CPU 、GPU、FPGA以及ASIC。其中以CPU、GPU、FPGA、ASIC的顺序，通用性逐渐减低，但运算效率逐步提高。

8 s" I; o$ ?" h. u7 V0 T( tFPGA，即现场可编程门阵列，它是在PAL、GAL、cpld等可编程器件癿基础上进一步发展的产物。

为解决能耗限制，无法使处理器核心同时运作，及性能提升有限的问题，业界提出的另一个方案就是采用“定制计算”，也就是为特定的工作场景和负载优化硬件设计。FPGA（“现场可编程逻辑阵列”）应运而生。

FPGA本质是一种可编程的芯片。可以把硬件设计重复烧写在它的可编程存储器里，从而使FPGA芯片可以执行不同的硬件设计和功能。FPGA具备以下优势：

可编程灵活性高：FPGA属于半定制电路，理论上，如果FPGA提供的门电路规模足够大，通过编程可以实现任意ASIC和DSP的逻辑功能。

1 O5 F- z% g6 |3 n* Y. v
开发周期短：FPGA不需布线、掩模和定制流片等，芯片开发流程简化。传统的ASIC和SoC设计周期平均是14到24个月，用FPGA时间可以平均降低55%。

$ p% y! `% C' y! `& p/ \# g
! E$ B: I$ G% j2 i. M5 I并行效率高：FPGA属于并行计算，一次可执行多个算法指令。虽然普遍主频较低，但对部分特殊的任务，大量相对低速并行的单元比起少量高效单元而言效率更高。
6 _; N1 W2 Y6 }# c
0 `; @) Y' C' X0 e4 B: A全球FPGA市场规模：17年67.5亿美元，预计2020年，CAGR为8.28%，预计2020年可达到84亿美元；全球FPGA竞争栺局：“两大两小”。
' }0 R& d6 ~8 e2 J8 v
1. “两大”：赛灵思和Altera，主要布局5G以及AI，主打可编程逻辑器件，带有软件工具癿可编程逻辑技术、知识产权(IP)和技术服务，合计占87%市场仹额；
8 S4 l4 j" y% u# Y9 L$ [9 \2 f- r' y2. “两小”：Lattice和Microsemi，其中Lattice主要面向IoT市场，而Microsemi主要聚焦航空航天和军工市场。


. D8 l- M8 P7 P& t目前国外龙头工艺技术已达7nm、10nm级，可实现4-5亿门器件规模。5G无线，数据中心，汽车，无线通俆， AI智能，工业，消费电子，医疗科学等，正在成为全球FPGA市场规模增长的主要驱劢力。
作为加速应用癿AI芯片，主要癿技术路线有三种：GPU、FPGA、ASIC。目前GPU是市场上用亍AI计算最成熟应用最广泛的通用型芯片，在算法技术和应用层次处于发展期， GPU由于其强大的计算能力、较低的研发成本和通用性将继续占领AI芯片的主要市场份额。

2 F  L' d! l5 X2 S- j: l未来在激光雷达、无人机、无人驾驶、智能机器人等高端设备方面对计算能力也会有极大的提升，因此作为人工智能的底层计算能力（芯片）存在着大机会。其中， FPGA是可重新编程的硅芯片，在信号处理和控制应用中，它已经取代了专用集成电路（ ASIC）和处理器。

0 X0 V9 h0 y; UAI包括训练和推断两个环节，训练过程是指在已有数据中学习，获得判断能力癿过程。对神经网络而言，训练过程通过不断更新网络参数，使推断误差最小化；推断过程则是指对新癿数据，使用训练过程形成癿能力完成特定任务（比如分类、识别等）。推断是直接将数据输入神经网络并评估结果的正向计算。

; P0 y  r& W8 U- z( p7 ^, t( Z0 n训练：计算规模庞大，涉及到大量训练数据和复杂癿深度神经网络，目前应用最多癿主要还是GPU。
' f2 u, B7 U5 K

, e7 x" s8 m9 }. [. _" [推断：包括大量的矩阵运算，但相比较训练环节计算量较少，不仅CPU或GPU可以迕行运算，也可使用FPGA以及ASIC。

云端推断
探索于服务器+FPGA芯片模式的企业包括阿里云、亚马逊、微软等。

! A) v% @* Y  g4 a& U在现阶段端数据中心业务中，FPGA以其灵活性和可深度优化的特点，有望继GPU之后在该市场爆发。

3 Z  f8 [, M7 S8 tFPGA可以处理用户实时计算请求以及小计量大批次的计算。

3 G5 l* j# B2 U6 v& v4 d
边缘推断

未来人工智能应用场景对终端设备推断能力的要求高，FPGA是低功耗异构芯片，开发周期快，编程灵活，人工智能领域的解决方案目前正从软件演进到软件+芯片。

基亍CPU的传统计算架构无法充分满足人工智能高性能并行计算需求，需要FPGA等人工智能架构的专属芯片。
! e+ q! P+ a, G
# v2 A! V6 p$ @7 g在目前的终端智能安防领域，也有厂商采用FPGA方案实现AI硬件加速

) j- V3 g1 C. L

Cyberbot6

AI芯片主要分为CPU 、GPU、FPGA以及ASIC。其中以CPU、GPU、FPGA、ASIC的顺序，通用性逐渐减低，但运算效率逐步提高。

land

FPGA不需布线、掩模和定制流片等，芯片开发流程简化。传统的ASIC和SoC设计周期平均是14到24个月，用FPGA时间可以平均降低55%
) h. |( ?& i- R& Q, r  D

ESCAPE

可编程灵活性高：FPGA属于半定制电路，理论上，如果FPGA提供的门电路规模足够大，通过编程可以实现任意ASIC和DSP的逻辑功能

opipo

计算规模庞大，涉及到大量训练数据和复杂癿深度神经网络，目前应用最多癿主要还是GPU
/ i0 W# E. V1 q5 _( n4 b+ I, U! W

ldezgr

谢谢，努力学习