介绍计算芯片领域的两位主角—ASIC和FPGA

█ ** ASIC** （专用集成电路）

上篇提到，GPU的并行算力能力很强，但是它也有缺点，就是功耗高，体积大，价格贵。

进入21世纪后，算力需求呈现两个显著趋势：一，算力的使用场景，开始细分；二，用户对算力性能的要求，越来越高。通用的算力芯片，已经无法满足用户的需求。

于是，越来越多的企业，开始加强对专用计算芯片的研究和投资力度。而ASIC（Application Specific Integrated Circuit，专用集成电路），就是一种专用于特定任务的芯片。

 

ASIC的官方定义，是指：应特定用户的要求，或特定电子系统的需要，专门设计、制造的集成电路。

ASIC起步于上世纪70-80年代。早期的时候，曾用于计算机。后来，主要用于嵌入式控制。这几年，如前面所说，开始崛起，用于AI推理、高速搜索以及视觉和图像处理等。

说到ASIC，我们就不得不提到Google公司大名鼎鼎的 TPU 。

 

TPU，全称Tensor Processing Unit，张量处理单元。所谓“张量（tensor）”，是一个包含多个数字（多维数组）的数学实体。

目前，几乎所有的机器学习系统，都使用张量作为基本数据结构。所以，张量处理单元，我们可以简单理解为“AI处理单元”。

2015年，为了更好地完成自己的深度学习任务，提升AI算力，Google推出了一款专门用于神经网络训练的芯片，也就是TPU v1。

相比传统的CPU和GPU，在神经网络计算方面，TPU v1可以获得1530倍的性能提升，能效提升更是达到3080倍，给行业带来了很大震动。

2017年和2018年，Google又再接再厉，推出了能力更强的TPU v2和TPU v3，用于AI训练和推理。2021年，他们推出了TPU v4，采用7nm工艺，晶体管数达到220亿，性能相较上代提升了10倍，比英伟达的A100还强1.7倍。

除了Google之外，还有很多大厂这几年也在捣鼓ASIC。

英特尔公司在2019年底收购了以色列AI芯片公司Habana Labs，2022年，发布了Gaudi 2 ASIC芯片。IBM研究院，则于2022年底，发布了AI ASIC芯片AIU。

三星早几年也搞过ASIC，当时做的是矿机专用芯片。没错，很多人认识ASIC，就是从比特币挖矿开始的。相比GPU和CPU挖矿，ASIC矿机的效率更高，能耗更低。

除了TPU和矿机之外，另外两类很有名的ASIC芯片，是DPU和 NPU 。

DPU是数据处理单元（Data Processing Unit），主要用于数据中心。小枣君之前曾经专门介绍过，可以看这里：火遍全网的DPU，到底是个啥？

NPU的话，叫做神经网络处理单元（Neural Processing Unit），在电路层模拟人类神经元和突触，并用深度学习指令集处理数据。

NPU专门用于神经网络推理，能够实现高效的卷积、池化等操作。一些手机芯片里，经常集成这玩意。

说到手机芯片，值得一提的是，我们手机现在的主芯片，也就是常说的SoC芯片，其实也是一种ASIC芯片。

ASIC作为专门的定制芯片，优点体现在哪里？只是企业独享，专用logo和命名？

不是的。

定制就是量体裁衣。基于芯片所面向的专项任务，芯片的计算能力和计算效率都是严格匹配于任务算法的。芯片的核心数量，逻辑计算单元和控制单元比例，以及缓存等，整个芯片架构，也是精确定制的。

所以，定制专用芯片，可以实现极致的体积、功耗。这类芯片的可靠性、保密性、算力、能效，都会比通用芯片（CPU、GPU）更强。

大家会发现，前面我们提到的几家ASIC公司，都是谷歌、英特尔、IBM、三星这样的大厂。

这是因为，对芯片进行定制设计，对一家企业的研发技术水平要求极高，且耗资极为巨大。

做一款ASIC芯片，首先要经过代码设计、综合、后端等复杂的设计流程，再经过几个月的生产加工以及封装测试，才能拿到芯片来搭建系统。

大家都听说过“流片（Tape-out）”。像流水线一样，通过一系列工艺步骤制造芯片，就是流片。简单来说，就是试生产。

 

ASIC的研发过程是需要流片的。14nm工艺，流片一次需要300万美元左右。5nm工艺，更是高达4725万美元。

流片一旦失败，钱全部打水漂，还耽误了大量的时间和精力。一般的小公司，根本玩不起。

那么，是不是小公司就无法进行芯片定制了呢？

当然不是。接下来，就轮到另一个神器出场了，那就是——FPGA。

█** FPGA（现场可编程门阵列）**

FPGA，英文全称Field Programmable Gate Array，现场可编程门阵列。

FPGA这些年在行业里很火，势头比ASIC还猛，甚至被人称为 “万能芯片” 。

其实，简单来说，FPGA就是可以重构的芯片。它可以根据用户的需要，在制造后，进行无限次数的重复编程，以实现想要的数字逻辑功能。

之所以FPGA可以实现DIY，是因为其独特的架构。

FPGA由可编程逻辑块（Configurable Logic Blocks，CLB）、输入/输出模块（I/O Blocks，IOB）、可编程互连资源（Programmable Interconnect Resources，PIR）等三种可编程电路，以及静态存储器SRAM共同组成。

CLB是FPGA中最重要的部分，是实现逻辑功能的基本单元，承载主要的电路功能。

它们通常规则排列成一个阵列（逻辑单元阵列，LCA，Logic Cell Array），散布于整个芯片中。

IOB主要完成芯片上的逻辑与外部引脚的接口，通常排列在芯片的四周。

PIR提供了丰富的连线资源，包括纵横网状连线、可编程开关矩阵和可编程连接点等。它们实现连接的作用，构成特定功能的电路。

静态存储器SRAM，用于存放内部IOB、CLB和PIR的编程数据，并形成对它们的控制，从而完成系统逻辑功能。

CLB本身，又主要由查找表（Look-Up Table，LUT）、多路复用器（Multiplexer）和触发器（Flip-Flop）构成。它们用于承载电路中的一个个逻辑“门”，可以用来实现复杂的逻辑功能。

简单来说，我们可以把LUT理解为存储了计算结果的RAM。当用户描述了一个逻辑电路后，软件会计算所有可能的结果，并写入这个RAM。每一个信号进行逻辑运算，就等于输入一个地址，进行查表。LUT会找出地址对应的内容，返回结果。

这种“硬件化”的运算方式，显然具有更快的运算速度。

用户使用FPGA时，可以通过硬件描述语言（Verilog或VHDL），完成的电路设计，然后对FPGA进行“编程”（烧写），将设计加载到FPGA上，实现对应的功能。

加电时，FPGA将EPROM（可擦编程只读存储器）中的数据读入SRAM中，配置完成后，FPGA进入工作状态。掉电后，FPGA恢复成白片，内部逻辑关系消失。如此反复，就实现了“现场”定制。

FPGA的功能非常强大。理论上，如果FPGA提供的门电路规模足够大，通过编程，就能够实现任意ASIC的逻辑功能。

我们再看看FPGA的发展历程。

FPGA是在PAL（可编程阵列逻辑）、GAL（通用阵列逻辑）等可编程器件的基础上发展起来的产物，属于一种半定制电路。

它诞生于1985年，发明者是Xilinx公司（赛灵思）。后来，Altera（阿尔特拉）、Lattice（莱迪思）、Microsemi（美高森美）等公司也参与到FPGA这个领域，并最终形成了四巨头的格局。

2015年5月，Intel（英特尔）以167亿美元的天价收购了Altera，后来收编为PSG（可编程解决方案事业部）部门。

2020年，Intel的竞争对手AMD也不甘示弱，以350亿美元收购了Xilinx。

于是，就变成了Xilinx（AMD旗下）、Intel、Lattice和Microsemi四巨头（换汤不换药）。

2021年，这四家公司的市占率分别为51%、29%、7%和6%，加起来是全球总份额的93%。

不久前，2023年10月，Intel宣布计划拆分PSG部门，独立业务运营。

国内FPGA厂商的话，包括复旦微电、紫光国微、安路科技、东土科技、高云半导体、京微齐力、京微雅格、智多晶、遨格芯等。看上去数量不少，但实际上技术差距很大。

█** ASIC和FPGA的区别**

接下来，我们重点说说ASIC和FPGA的区别，还有它们和CPU、GPU之间的区别。

ASIC和FPGA，本质上都是芯片。AISC是全定制芯片，功能写死，没办法改。而FPGA是半定制芯片，功能灵活，可玩性强。

我们还是可以通过一个例子，来说明两者之间的区别。

ASIC就是用模具来做玩具。事先要进行开模，比较费事。而且，一旦开模之后，就没办法修改了。如果要做新玩具，就必须重新开模。

而FPGA呢，就像用乐高积木来搭玩具。上手就能搭，花一点时间，就可以搭好。如果不满意，或者想搭新玩具，可以拆开，重新搭。

 

ASIC与FPGA的很多设计工具是相同的。在设计流程上，FPGA没有ASIC那么复杂，去掉了一些制造过程和额外的设计验证步骤，大概只有ASIC流程的50%-70%。最头大的流片过程，FPGA是不需要的。

这就意味着，开发ASIC，可能需要几个月甚至一年以上的时间。而FPGA，只需要几周或几个月的时间。

刚才说到FPGA不需要流片，那么，是不是意味着FPGA的成本就一定比ASIC低呢？

不一定。

FPGA可以在实验室或现场进行预制和编程，不需要一次性工程费用 （NRE）。但是，作为“通用玩具”，它的成本是ASIC（压模玩具）的10倍。

如果生产量比较低，那么，FPGA会更便宜。如果生产量高，ASIC的一次性工程费用被平摊，那么，ASIC反而便宜。

这就像开模费用。开模很贵，但是，如果销量大，开模就划算了。

如下图所示，40W片，是ASIC和FPGA成本高低的一个分界线。产量少于40W，FPGA便宜。多于40W，ASIC便宜。

从性能和功耗的角度来看，作为专用定制芯片，ASIC是比FPGA强的。

FPGA是通用可编辑的芯片，冗余功能比较多。不管你怎么设计，都会多出来一些部件。

前面小枣君也说了，ASIC是贴身定制，没什么浪费，且采用硬连线。所以，性能更强，功耗更低。

FPGA和ASIC，不是简单的竞争和替代关系，而是各自的定位不同。

FPGA现在多用于产品原型的开发、设计迭代，以及一些低产量的特定应用。它适合那些开发周期必须短的产品。FPGA还经常用于ASIC的验证。

ASIC用于设计规模大、复杂度高的芯片，或者是成熟度高、产量比较大的产品。

FPGA还特别适合初学者学习和参加比赛。现在很多大学的电子类专业，都在使用FPGA进行教学。

从商业化的角度来看，FPGA的主要应用领域是通信、国防、航空、数据中心、医疗、汽车及消费电子。

FPGA在通信领域用得很早。很多基站的处理芯片（基带处理、波束赋形、天线收发器等），都是用的FPGA。核心网的编码和协议加速等，也用到它。数据中心之前在DPU等部件上，也用。

后来，很多技术成熟了、定型了，通信设备商们就开始用ASIC替代，以此减少成本。

值得一提的是，最近这些年很热门的Open RAN，其实很多都是采用通用处理器（Intel CPU）进行计算。这种方案的能耗远远不如FPGA和ASIC。这也是包括华为等设备商不愿意跟进Open RAN的主要原因之一。

汽车和工业领域，主要是看中了FPGA的时延优势，所以会用在ADAS（高级驾驶辅助系统）和伺服电机驱动上。

消费电子用FPGA，是因为产品迭代太快。ASIC的开发周期太长了，等做出东西来，黄花菜都凉了。

█** FPGA、ASIC、GPU，谁是最合适的AI芯片？**

最后，我们还是要绕回到AI芯片的话题。

上一期，小枣君埋了一个雷，说AI计算分训练和推理。训练是GPU处于绝对领先地位，而推理不是。我没有说原因。

现在，我来解释一下。

首先，大家要记住，单纯从理论和架构的角度，ASIC和FPGA的性能和成本，肯定是优于CPU和GPU的。

CPU、GPU遵循的是冯·诺依曼体系结构，指令要经过存储、译码、执行等步骤，共享内存在使用时，要经历仲裁和缓存。

而FPGA和ASIC并不是冯·诺依曼架构（是哈佛架构）。以FPGA为例，它本质上是无指令、无需共享内存的体系结构。

FPGA的逻辑单元功能在编程时已确定，属于用硬件来实现软件算法。对于保存状态的需求，FPGA中的寄存器和片上内存（BRAM）属于各自的控制逻辑，不需要仲裁和缓存。

从ALU运算单元占比来看，GPU比CPU高，FPGA因为几乎没有控制模块，所有模块都是ALU运算单元，比GPU更高。

所以，综合各个角度，FPGA的运算速度会比GPU更快。

再看看功耗方面。

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

这主要是因为内存读取。GPU的内存接口（GDDR5、HBM、HBM2）带宽极高，大约是FPGA传统DDR接口的4-5倍。但就芯片本身来说，读取DRAM所消耗的能量，是SRAM的100倍以上。GPU频繁读取DRAM的处理，产生了极高的功耗。

另外，FPGA的工作主频（500MHz以下）比CPU、GPU（1~3GHz）低，也会使得自身功耗更低。FPGA的工作主频低，主要是受布线资源的限制。有些线要绕远，时钟频率高了，就来不及。

最后看看时延。

GPU时延高于FPGA。

GPU通常需要将不同的训练样本，划分成固定大小的“Batch（批次）”，为了最大化达到并行性，需要将数个Batch都集齐，再统一进行处理。

FPGA的架构，是无批次（Batch-less）的。每处理完成一个数据包，就能马上输出，时延更有优势。

那么，问题来了。GPU这里那里都不如FPGA和ASIC，为什么还会成为现在AI计算的大热门呢？

很简单，在对算力性能和规模的极致追求下，现在整个行业根本不在乎什么成本和功耗。

在英伟达的长期努力下，GPU的核心数和工作频率一直在提升，芯片面积也越来越大，属于硬刚算力。功耗靠工艺制程，靠水冷等被动散热，反而不着火就行。

除了硬件之外，上篇文章小枣君也提到，英伟达在软件和生态方面很会布局。

他们捣鼓出来的CUDA，是GPU的一个核心竞争力。基于CUDA，初学者都可以很快上手，进行GPU的开发。他们苦心经营多年，也形成了群众基础。

相比之下，FPGA和ASIC的开发还是太过复杂，不适合普及。

在接口方面，虽然GPU的接口比较单一（主要是PCIe），没有FPGA灵活（FPGA的可编程性，使其能轻松对接任何的标准和非标准接口），但对于服务器来说，足够了，插上就能用。

除了FPGA之外，ASIC之所以在AI上干不过GPU，和它的高昂成本、超长开发周期、巨大开发风险有很大关系。现在AI算法变化很快，ASIC这种开发周期，很要命。

综合上述原因，GPU才有了现在的大好局面。

在AI训练上，GPU的算力强劲，可以大幅提升效率。

在AI推理上，输入一般是单个对象（图像），所以要求要低一点，也不需要什么并行，所以GPU的算力优势没那么明显。很多企业，就会开始采用更便宜、更省电的FPGA或ASIC，进行计算。

其它一些算力场景，也是如此。看重算力绝对性能的，首选GPU。算力性能要求不那么高的，可以考虑FPGA或ASIC，能省则省。

█** 最后的话**

关于CPU、GPU、FPGA、ASIC的知识，就介绍到这里了。

它们是计算芯片的典型代表。人类目前所有的算力场景，基本上都是由它们在负责。

随着时代的发展，计算芯片也有了新的趋势。例如，不同算力芯片进行混搭，互相利用优势。我们管这种方式，叫做异构计算。另外，还有IBM带头搞的类脑芯片，类似于大脑的神经突触，模拟人脑的处理过程，也获得了突破，热度攀升。以后有机会，我再和大家专门介绍。

审核编辑：刘清