上一篇文章（鏈接），小棗君給大家介紹了 CPU 和 GPU。今天，我繼續介紹計算芯片領域的另外兩位主角 ——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 15~30 倍的性能提升，能效提升更是達到 30~80 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。基于芯片所面向的專項任務，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。看上去數量不少，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。現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。基于 CUDA，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。現在 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。看重算力絕對性能的，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。

希望小棗君的芯片系列文章對大家有所幫助。喜歡的話，求關注，求轉發，求點贊。

感謝！

參考文獻：

• 1、《一文搞懂 GPU 的概念、工作原理》，開源 LINUX；

• 2、《AI 芯片架構體系綜述》，知乎，Garvin Li；

• 3、《GPU、FPGA、ASIC 加速器有什么區別？》，知乎，胡說漫談；

• 4、《帶你深入了解 GPU、FPGA 和 ASIC》，汽車產業前線觀察；

• 5、《為什么 GPU 是 AI 時代的算力核心》，沐曦集成電路；

• 6、《一文通覽自動駕駛三大主流芯片架構》，數字化轉型；

• 7、《AIGC 算力全景與趨勢報告》，量子位；

• 8、百度百科、維基百科。

本文來自微信公眾號：鮮棗課堂 （ID：xzclasscom），作者：小棗君

廣告聲明：文內含有的對外跳轉鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節省甄選時間，結果僅供參考，IT之家所有文章均包含本聲明。