介紹計算芯片領域的兩位主角—ASIC和FPGA

█** ASIC**（專用集成電路）

上篇提到，GPU的并行算力能力很強，但是它也有缺點，就是功耗高，體積大，價格貴。

進入21世紀后，算力需求呈現兩個顯著趨勢：一，算力的使用場景，開始細分；二，用戶對算力性能的要求，越來越高。通用的算力芯片，已經無法滿足用戶的需求。

于是，越來越多的企業，開始加強對專用計算芯片的研究和投資力度。而ASIC（Application Specific Integrated Circuit，專用集成電路），就是一種專用于特定任務的芯片。

ASIC的官方定義，是指：應特定用戶的要求，或特定電子系統的需要，專門設計、制造的集成電路。

ASIC起步于上世紀70-80年代。早期的時候，曾用于計算機。后來，主要用于嵌入式控制。這幾年，如前面所說，開始崛起，用于AI推理、高速搜索以及視覺和圖像處理等。

說到ASIC，我們就不得不提到Google公司大名鼎鼎的TPU。

TPU，全稱Tensor Processing Unit，張量處理單元。所謂“張量（tensor）”，是一個包含多個數字（多維數組）的數學實體。

目前，幾乎所有的機器學習系統，都使用張量作為基本數據結構。所以，張量處理單元，我們可以簡單理解為“AI處理單元”。

2015年，為了更好地完成自己的深度學習任務，提升AI算力，Google推出了一款專門用于神經網絡訓練的芯片，也就是TPU v1。

相比傳統的CPU和GPU，在神經網絡計算方面，TPU v1可以獲得1530倍的性能提升，能效提升更是達到3080倍，給行業帶來了很大震動。

2017年和2018年，Google又再接再厲，推出了能力更強的TPU v2和TPU v3，用于AI訓練和推理。2021年，他們推出了TPU v4，采用7nm工藝，晶體管數達到220億，性能相較上代提升了10倍，比英偉達的A100還強1.7倍。

除了Google之外，還有很多大廠這幾年也在搗鼓ASIC。

英特爾公司在2019年底收購了以色列AI芯片公司Habana Labs，2022年，發布了Gaudi 2 ASIC芯片。IBM研究院，則于2022年底，發布了AI ASIC芯片AIU。

三星早幾年也搞過ASIC，當時做的是礦機專用芯片。沒錯，很多人認識ASIC，就是從比特幣挖礦開始的。相比GPU和CPU挖礦，ASIC礦機的效率更高，能耗更低。

除了TPU和礦機之外，另外兩類很有名的ASIC芯片，是DPU和NPU。

DPU是數據處理單元（Data Processing Unit），主要用于數據中心。小棗君之前曾經專門介紹過，可以看這里：火遍全網的DPU，到底是個啥？

NPU的話，叫做神經網絡處理單元（Neural Processing Unit），在電路層模擬人類神經元和突觸，并用深度學習指令集處理數據。

NPU專門用于神經網絡推理，能夠實現高效的卷積、池化等操作。一些手機芯片里，經常集成這玩意。

說到手機芯片，值得一提的是，我們手機現在的主芯片，也就是常說的SoC芯片，其實也是一種ASIC芯片。

ASIC作為專門的定制芯片，優點體現在哪里？只是企業獨享，專用logo和命名？

不是的。

定制就是量體裁衣?；谛酒嫦虻膶ｍ椚蝿?，芯片的計算能力和計算效率都是嚴格匹配于任務算法的。芯片的核心數量，邏輯計算單元和控制單元比例，以及緩存等，整個芯片架構，也是精確定制的。

所以，定制專用芯片，可以實現極致的體積、功耗。這類芯片的可靠性、保密性、算力、能效，都會比通用芯片（CPU、GPU）更強。

大家會發現，前面我們提到的幾家ASIC公司，都是谷歌、英特爾、IBM、三星這樣的大廠。

這是因為，對芯片進行定制設計，對一家企業的研發技術水平要求極高，且耗資極為巨大。

做一款ASIC芯片，首先要經過代碼設計、綜合、后端等復雜的設計流程，再經過幾個月的生產加工以及封裝測試，才能拿到芯片來搭建系統。

大家都聽說過“流片（Tape-out）”。像流水線一樣，通過一系列工藝步驟制造芯片，就是流片。簡單來說，就是試生產。

ASIC的研發過程是需要流片的。14nm工藝，流片一次需要300萬美元左右。5nm工藝，更是高達4725萬美元。

流片一旦失敗，錢全部打水漂，還耽誤了大量的時間和精力。一般的小公司，根本玩不起。

那么，是不是小公司就無法進行芯片定制了呢？

當然不是。接下來，就輪到另一個神器出場了，那就是——FPGA。

█** FPGA（現場可編程門陣列）**

FPGA，英文全稱Field Programmable Gate Array，現場可編程門陣列。

FPGA這些年在行業里很火，勢頭比ASIC還猛，甚至被人稱為“萬能芯片”。

其實，簡單來說，FPGA就是可以重構的芯片。它可以根據用戶的需要，在制造后，進行無限次數的重復編程，以實現想要的數字邏輯功能。

之所以FPGA可以實現DIY，是因為其獨特的架構。

FPGA由可編程邏輯塊（Configurable Logic Blocks，CLB）、輸入/輸出模塊（I/O Blocks，IOB）、可編程互連資源（Programmable Interconnect Resources，PIR）等三種可編程電路，以及靜態存儲器SRAM共同組成。

CLB是FPGA中最重要的部分，是實現邏輯功能的基本單元，承載主要的電路功能。

它們通常規則排列成一個陣列（邏輯單元陣列，LCA，Logic Cell Array），散布于整個芯片中。

IOB主要完成芯片上的邏輯與外部引腳的接口，通常排列在芯片的四周。

PIR提供了豐富的連線資源，包括縱橫網狀連線、可編程開關矩陣和可編程連接點等。它們實現連接的作用，構成特定功能的電路。

靜態存儲器SRAM，用于存放內部IOB、CLB和PIR的編程數據，并形成對它們的控制，從而完成系統邏輯功能。

CLB本身，又主要由查找表（Look-Up Table，LUT）、多路復用器（Multiplexer）和觸發器（Flip-Flop）構成。它們用于承載電路中的一個個邏輯“門”，可以用來實現復雜的邏輯功能。

簡單來說，我們可以把LUT理解為存儲了計算結果的RAM。當用戶描述了一個邏輯電路后，軟件會計算所有可能的結果，并寫入這個RAM。每一個信號進行邏輯運算，就等于輸入一個地址，進行查表。LUT會找出地址對應的內容，返回結果。

這種“硬件化”的運算方式，顯然具有更快的運算速度。

用戶使用FPGA時，可以通過硬件描述語言（Verilog或VHDL），完成的電路設計，然后對FPGA進行“編程”（燒寫），將設計加載到FPGA上，實現對應的功能。

加電時，FPGA將EPROM（可擦編程只讀存儲器）中的數據讀入SRAM中，配置完成后，FPGA進入工作狀態。掉電后，FPGA恢復成白片，內部邏輯關系消失。如此反復，就實現了“現場”定制。

FPGA的功能非常強大。理論上，如果FPGA提供的門電路規模足夠大，通過編程，就能夠實現任意ASIC的邏輯功能。

我們再看看FPGA的發展歷程。

FPGA是在PAL（可編程陣列邏輯）、GAL（通用陣列邏輯）等可編程器件的基礎上發展起來的產物，屬于一種半定制電路。

它誕生于1985年，發明者是Xilinx公司（賽靈思）。后來，Altera（阿爾特拉）、Lattice（萊迪思）、Microsemi（美高森美）等公司也參與到FPGA這個領域，并最終形成了四巨頭的格局。

2015年5月，Intel（英特爾）以167億美元的天價收購了Altera，后來收編為PSG（可編程解決方案事業部）部門。

2020年，Intel的競爭對手AMD也不甘示弱，以350億美元收購了Xilinx。

于是，就變成了Xilinx（AMD旗下）、Intel、Lattice和Microsemi四巨頭（換湯不換藥）。

2021年，這四家公司的市占率分別為51%、29%、7%和6%，加起來是全球總份額的93%。

不久前，2023年10月，Intel宣布計劃拆分PSG部門，獨立業務運營。

國內FPGA廠商的話，包括復旦微電、紫光國微、安路科技、東土科技、高云半導體、京微齊力、京微雅格、智多晶、遨格芯等?？瓷先盗坎簧?，但實際上技術差距很大。

█** ASIC和FPGA的區別**

接下來，我們重點說說ASIC和FPGA的區別，還有它們和CPU、GPU之間的區別。

ASIC和FPGA，本質上都是芯片。AISC是全定制芯片，功能寫死，沒辦法改。而FPGA是半定制芯片，功能靈活，可玩性強。

我們還是可以通過一個例子，來說明兩者之間的區別。

ASIC就是用模具來做玩具。事先要進行開模，比較費事。而且，一旦開模之后，就沒辦法修改了。如果要做新玩具，就必須重新開模。

而FPGA呢，就像用樂高積木來搭玩具。上手就能搭，花一點時間，就可以搭好。如果不滿意，或者想搭新玩具，可以拆開，重新搭。

ASIC與FPGA的很多設計工具是相同的。在設計流程上，FPGA沒有ASIC那么復雜，去掉了一些制造過程和額外的設計驗證步驟，大概只有ASIC流程的50%-70%。最頭大的流片過程，FPGA是不需要的。

這就意味著，開發ASIC，可能需要幾個月甚至一年以上的時間。而FPGA，只需要幾周或幾個月的時間。

剛才說到FPGA不需要流片，那么，是不是意味著FPGA的成本就一定比ASIC低呢？

不一定。

FPGA可以在實驗室或現場進行預制和編程，不需要一次性工程費用 （NRE）。但是，作為“通用玩具”，它的成本是ASIC（壓模玩具）的10倍。

如果生產量比較低，那么，FPGA會更便宜。如果生產量高，ASIC的一次性工程費用被平攤，那么，ASIC反而便宜。

這就像開模費用。開模很貴，但是，如果銷量大，開模就劃算了。

如下圖所示，40W片，是ASIC和FPGA成本高低的一個分界線。產量少于40W，FPGA便宜。多于40W，ASIC便宜。

從性能和功耗的角度來看，作為專用定制芯片，ASIC是比FPGA強的。

FPGA是通用可編輯的芯片，冗余功能比較多。不管你怎么設計，都會多出來一些部件。

前面小棗君也說了，ASIC是貼身定制，沒什么浪費，且采用硬連線。所以，性能更強，功耗更低。

FPGA和ASIC，不是簡單的競爭和替代關系，而是各自的定位不同。

FPGA現在多用于產品原型的開發、設計迭代，以及一些低產量的特定應用。它適合那些開發周期必須短的產品。FPGA還經常用于ASIC的驗證。

ASIC用于設計規模大、復雜度高的芯片，或者是成熟度高、產量比較大的產品。

FPGA還特別適合初學者學習和參加比賽?，F在很多大學的電子類專業，都在使用FPGA進行教學。

從商業化的角度來看，FPGA的主要應用領域是通信、國防、航空、數據中心、醫療、汽車及消費電子。

FPGA在通信領域用得很早。很多基站的處理芯片（基帶處理、波束賦形、天線收發器等），都是用的FPGA。核心網的編碼和協議加速等，也用到它。數據中心之前在DPU等部件上，也用。

后來，很多技術成熟了、定型了，通信設備商們就開始用ASIC替代，以此減少成本。

值得一提的是，最近這些年很熱門的Open RAN，其實很多都是采用通用處理器（Intel CPU）進行計算。這種方案的能耗遠遠不如FPGA和ASIC。這也是包括華為等設備商不愿意跟進Open RAN的主要原因之一。

汽車和工業領域，主要是看中了FPGA的時延優勢，所以會用在ADAS（高級駕駛輔助系統）和伺服電機驅動上。

消費電子用FPGA，是因為產品迭代太快。ASIC的開發周期太長了，等做出東西來，黃花菜都涼了。

█** FPGA、ASIC、GPU，誰是最合適的AI芯片？**

最后，我們還是要繞回到AI芯片的話題。

上一期，小棗君埋了一個雷，說AI計算分訓練和推理。訓練是GPU處于絕對領先地位，而推理不是。我沒有說原因。

現在，我來解釋一下。

首先，大家要記住，單純從理論和架構的角度，ASIC和FPGA的性能和成本，肯定是優于CPU和GPU的。

CPU、GPU遵循的是馮·諾依曼體系結構，指令要經過存儲、譯碼、執行等步驟，共享內存在使用時，要經歷仲裁和緩存。

而FPGA和ASIC并不是馮·諾依曼架構（是哈佛架構）。以FPGA為例，它本質上是無指令、無需共享內存的體系結構。

FPGA的邏輯單元功能在編程時已確定，屬于用硬件來實現軟件算法。對于保存狀態的需求，FPGA中的寄存器和片上內存（BRAM）屬于各自的控制邏輯，不需要仲裁和緩存。

從ALU運算單元占比來看，GPU比CPU高，FPGA因為幾乎沒有控制模塊，所有模塊都是ALU運算單元，比GPU更高。

所以，綜合各個角度，FPGA的運算速度會比GPU更快。

再看看功耗方面。

GPU的功耗，是出了名的高，單片可以達到250W，甚至450W（RTX4090）。而FPGA呢，一般只有30~50W。

這主要是因為內存讀取。GPU的內存接口（GDDR5、HBM、HBM2）帶寬極高，大約是FPGA傳統DDR接口的4-5倍。但就芯片本身來說，讀取DRAM所消耗的能量，是SRAM的100倍以上。GPU頻繁讀取DRAM的處理，產生了極高的功耗。

另外，FPGA的工作主頻（500MHz以下）比CPU、GPU（1~3GHz）低，也會使得自身功耗更低。FPGA的工作主頻低，主要是受布線資源的限制。有些線要繞遠，時鐘頻率高了，就來不及。

最后看看時延。

GPU時延高于FPGA。

GPU通常需要將不同的訓練樣本，劃分成固定大小的“Batch（批次）”，為了最大化達到并行性，需要將數個Batch都集齊，再統一進行處理。

FPGA的架構，是無批次（Batch-less）的。每處理完成一個數據包，就能馬上輸出，時延更有優勢。

那么，問題來了。GPU這里那里都不如FPGA和ASIC，為什么還會成為現在AI計算的大熱門呢？

很簡單，在對算力性能和規模的極致追求下，現在整個行業根本不在乎什么成本和功耗。

在英偉達的長期努力下，GPU的核心數和工作頻率一直在提升，芯片面積也越來越大，屬于硬剛算力。功耗靠工藝制程，靠水冷等被動散熱，反而不著火就行。

除了硬件之外，上篇文章小棗君也提到，英偉達在軟件和生態方面很會布局。

他們搗鼓出來的CUDA，是GPU的一個核心競爭力?；贑UDA，初學者都可以很快上手，進行GPU的開發。他們苦心經營多年，也形成了群眾基礎。

相比之下，FPGA和ASIC的開發還是太過復雜，不適合普及。

在接口方面，雖然GPU的接口比較單一（主要是PCIe），沒有FPGA靈活（FPGA的可編程性，使其能輕松對接任何的標準和非標準接口），但對于服務器來說，足夠了，插上就能用。

除了FPGA之外，ASIC之所以在AI上干不過GPU，和它的高昂成本、超長開發周期、巨大開發風險有很大關系?，F在AI算法變化很快，ASIC這種開發周期，很要命。

綜合上述原因，GPU才有了現在的大好局面。

在AI訓練上，GPU的算力強勁，可以大幅提升效率。

在AI推理上，輸入一般是單個對象（圖像），所以要求要低一點，也不需要什么并行，所以GPU的算力優勢沒那么明顯。很多企業，就會開始采用更便宜、更省電的FPGA或ASIC，進行計算。

其它一些算力場景，也是如此?？粗厮懔^對性能的，首選GPU。算力性能要求不那么高的，可以考慮FPGA或ASIC，能省則省。

█** 最后的話**

關于CPU、GPU、FPGA、ASIC的知識，就介紹到這里了。

它們是計算芯片的典型代表。人類目前所有的算力場景，基本上都是由它們在負責。

隨著時代的發展，計算芯片也有了新的趨勢。例如，不同算力芯片進行混搭，互相利用優勢。我們管這種方式，叫做異構計算。另外，還有IBM帶頭搞的類腦芯片，類似于大腦的神經突觸，模擬人腦的處理過程，也獲得了突破，熱度攀升。以后有機會，我再和大家專門介紹。

審核編輯：劉清