2015年，大數據、物聯網、人工智能、計算機視覺等行業呈現井噴之勢，與之切實相關的上下游產業也發生著天翻地覆的變化，FPGA就是其中之一。FPGA即現場可編程門陣列，是一種半定制的IC芯片。原廠（如XILINX、ALTERA、LATTICE、MicroSemi等）生產出的是空白的不含配置信息的FPGA芯片，顧客可根據自己的需要，利用片上所提供的各種資源開發自己的邏輯，將生成的配置信息寫入，從而將其變成自己所需功能的芯片，FPGA可近乎不限次數反復重配。

　　FPGA提供的資源包括查找表（lookup table）、觸發器（flip-flop）、分布式塊RAM、硬核乘加器、加法器超前進位鏈、鎖相環（Phase-locked loop），可編程延時鏈，以及具備可配電平模式，阻抗匹配，輸入輸出或三態，串行解串功能的I/O管腳，以及連接這一切資源的可編程互連，時鐘走線等等。此外有些FPGA還集成了速率達幾十Gb每秒的收發器（Transceiver）、片內處理器硬核（PowerPC、ARM等）、模擬的ADC、DAC等器件，形成了一顆Soc（System on a chip）的單芯片解決方案。

　　FPGA與其他解決方案的對比以及行業應用

　　A.與專用集成電路（ASIC）對比：ASIC一旦被流片，其內部結構就處于凍結狀態，不能進行修改，如果設計有問題，則需要重新流片，而一次性投入費用（ non-recurring engineering）在ASIC成本中是比較昂貴的；FPGA所有資源都可以近乎不限次數地反復更改為新的連接配置，形成新的芯片功能，因此可重配置形成了FPGA一大特色。具體體現在以下幾方面：

　　1、比ASIC方案需要更短的開發時間，在激烈競爭的行業可以迅速占領市場。例如通訊行業，由于標準變動頻繁，需要具備提供兼容的網絡從2G到3G，并進一步從3G到4G LTE模式，因此FPGA在標準快速變動時期、或者產品迅速演進時期是一個很好的解決方案；當標準固定下來或產品演進穩定后，對于一些市場容量巨大的行業，ASIC方案會及時跟進，提供更低的價格，需要更少的功耗。

　　2、FPGA由于集成了片內邏輯分析功能，可以在工作現場展開實況下的調試定位問題。因此FPGA常被用來做ASIC原型驗證，減少一次性投入費用（NRE.）打水漂的風險。

　　3、與ASIC方案相比，使用FPGA方案的產品具備了更長的可維護周期，更小的初期投入成本，因此FPGA已經被保留用于許多垂直行業應用中，因為這些行業產量小并且邏輯版本迭代快，因此不足以攤平NRE.費用。對于這些小批量應用，FPGA方案比更經濟并且更具靈活性和產品可維護性。從原廠FAE服務客戶名單來看，FPGA的具體應用行業包括數字信號處理，軟件定義無線電，ASIC原型設計，醫學成像，計算機視覺，語音識別，密碼學，生物信息學，計算機硬件仿真，射電天文學，金屬檢測等。

　　4、當然FPGA相對ASIC方案也有不足之處，ASIC可以做到更高的集成度，需要更小的硅片面積，達到更高的工作頻率，更小的能源消耗；對于大規模且標準化的應用，NRE.費用可以平攤到忽略不計，因此ASIC具備更低的成本。當然隨著技術的發展，FPGA也在功耗方面做的越來越出色，有些高端的 FPGA芯片甚至接近ASIC的功耗水平，然而硅片面積方面需要具備可編程能力，因此需要冗余資源配備，沒有太多優化空間。

　　B.與處理器方案相比：

　　FPGA另一大特色就是并行運行，與CPU順序執行指令不同，FPGA內的所有資源都在按各自時序并行運行：

　　1.可以利用內部為數眾多的查找表、寄存器、乘加器、IP硬核等資源對運算密集型算法進行并行實現，可以利用流水線方式優化路徑時序，在一個時鐘周期的吞吐率下實現最為復雜的算法；

　　2.利用內部分布式RAM定制任意所需存儲架構、讀寫及更新方案，充分利用其巨大并行帶寬和可靈活定制的存儲位寬和深度，減少反復冗余訪問外部存儲器的需求，提高處理速度和效率。

　　打個比方，1可以類比為CPU，2可以類比為cache。

　　FPGA與GPU方案類似，都是并發運行的，區別在于FPGA提供更細粒度、資源分配更靈活的并行執行引擎，并且提供更靈活的cache，此外還提供更低的功耗。下圖說明了不同方案開發時間和可達到性能的關系（摘自XILINX ug998）。

　　從圖中可以看到FPGA在RTL開發流程可以達到最高的性能，但是花費的開發時間是最長的。因此現在各大FPGA原廠都在力推系統級開發方案，包括 XILINX的高層次綜合（HLS）方案，以及ALTERA的OPENCL方案，可以將開發周期壓縮得更短，同時得到較高的性能。

　　C.FPGA具備的其他特點：

　　一顆FPGA在一個產品中可以根據不同的工作模式，配置為不同的邏輯功能，只要兩種模式存在時間上的需求差異，就可以提高FPGA的價值，以一顆FPGA根據工作模式多次重配，完成需要多顆ASIC才能完成的需求。例如搜索引擎服務提供商在一個分布式服務器單元根據需求在不同時間可以被配置為圖像負載，或音頻負載，其上需要在不同時間進行分布式圖形、音頻匹配檢索，這時使用FPGA不同配置即可完成不同算法的調整，如果使用ASIC則需要具備多種不同芯片才能完成，如果算法進行了更改需要更換芯片才能實現算法升級。

　　FPGA可重配功能今天已經發展到了不掉電動態部分可重配的階段，即FPGA一部分邏輯在正常運行的情況下，另一部分邏輯進行重新配置。如果哪天真要生產變形金剛，FPGA一定是一個不錯的單芯片解決方案，既經濟又可靠，變形的時候絕對不會宕機，并且還能保持非變形部分的正常工作（開個玩笑）。

　　FPGA的新機遇

　　目前信息技術最熱的領域無疑是大數據和人工智能，FPGA在這兩個方向也找到了很好的突破口。以下幾則新聞可以讓我們一窺端倪：

　　1.微軟開發了帶有FPGA“硬件加速芯片”的主板來提升Bing數據中心的整體性能。FPGA相比于傳統CPU在處理Bing的自定義算法時快出40倍；整個系統將會比Bing現有的系統快出2倍，縮減一半現有服務器數量。

　　2.英特爾167億美元收購Altera，以期能夠實現在大型云數據中心或物聯網領域的新增長。

　　3.微軟采用Altera Arria 10 FPGA實現基于卷積神經網絡（CNN）算法的數據中心加速。

　　4.百度在深度學習應用算法中使用FPGA承載卷積神經網絡（CNN）。

　　大型互聯網企業的數據中心電耗費用的開銷是非常昂貴的，FPGA本身的實現結構高效，在許多應用場景比處理器方案具備更佳的性能功耗比，FPGA方案對數據中心有很大吸引力。人工智能實現算法例如卷積神經網絡（CNN）等，對卷積運算量具有非常密集需求，目前GPGPU是較好的計算承載平臺，但對于數據中心和低功耗嵌入式設備而言，都有降低功耗的需求作為驅動力，FPGA在這方面有獨特優勢，出現了越來越多的應用實例。

　　結語：

　　就像GPU起初只是用于圖形處理一樣，如今在深度學習和人工智能方面有著廣闊的應用，而GPU也逐漸演變，并引入cudnn等庫的支持到開發環境，完善了對通用計算的承載。同樣，FPGA從誕生之初僅為了處理膠合邏輯，后因通信行業繁榮而大發展。如今又在大數據、物聯網、人工智能等行業發現了更廣闊的天地，因此我們也可看到當今FPGA發生如下變化：

　　FPGA原廠在簡化開發難度，引入C和OPENCL語言的開發環境，促進更廣泛的應用；在FPGA中加入硬核浮點乘加器，使最常見的浮點算法能更好更快地移植到FPGA上；在FPGA中加入ARM、POWERPC、Mali等高性能硬核，和可編程邏輯部分組成SOC，以異構計算使處理器和邏輯分別處理各自擅長的任務類型，并緊密地進行Cache級別的同步的配合，從而整體上達到最佳的性能和功耗。