FPGA如何拥抱AI大时代关键技术与路径深度解析

导读

FPGA自从上世纪80年代诞生以来，已经在通信、数字信号处理、集成电路设计、视频图像处理这些领域里扮演着重要角色。最近这几年，AI发展得如火如荼，FPGA凭借低延迟、低功耗、灵活高效的硬件可编程优势，逐渐成为算法加速中的关键一环，给AI算法的落地带来了更多可能性。

要知道，随着海量数据对算力的胃口越来越大，FPGA芯片本身也在朝着更高密度、更高通信带宽的方向演进。再说，异构计算融合这类思路，也越来越受到业界认可。从软件的角度看，开发工具链也在不断打磨，目的就是提供更强悍的AI加速能力。

01. FPGA在AI芯片市场占比不足1%

高算力需求直接催生了AI芯片的爆发，正所谓“无芯片，不AI”。以AI芯片为载体的算力，已经成为衡量人工智能发展水平的重要标尺。广义上说，AI算力芯片包括GPU、FPGA、ASIC、NPU这些专门用来处理大规模计算任务的芯片。其中，GPU凭借强大的并行计算能力，在图形图像处理、复杂数学计算等场景里表现抢眼。

不过从IDC的数据来看，2022年中国AI芯片市场里，GPU拿下了约89%的份额，剩下的ASIC、FPGA、NPU加在一起超过10%，而FPGA只占了0.4%。

图：中国人工智能芯片市场规模占比

话说回来，FPGA作为一块灵活可编程的硬件平台，本该在AI领域大展拳脚。它能够为神经网络翻跟斗、高性能计算单元提供定制化支持，对计算密集型的AI任务带来低延迟的优势。那为什么占有率会这么低？未来的增长点又在哪里？

说到底，FPGA的设计和开发确实比较复杂，需要专门的硬件设计和编程技能。再加上和专用AI芯片相比，它在功耗和性能比方面没什么压倒性优势，这就在一定程度上影响了决策者选用FPGA的意愿。

但情况在变化。近几年，FPGA厂商明显加大了在AI领域的投入，比如推出针对AI应用的平台和解决方案，产品越来越易用，性能也越来越强。同时，开发工具和框架也在不断完善，这就大大降低了FPGA的准入门槛，吸引了更多开发者和企业加入进来。

02. 面向AI，FPGA软硬兼修

早在大约2018年，Xilinx（现在已经被AMD收购）就已经嗅到了FPGA在算力市场的巨大价值，提出了“数据中心优先”的战略，随后发布了自适应计算加速平台（ACAP）Versal。这种产品形态目前已经脱离了传统FPGA的范畴，内部通过可编程引擎，引入了多个以自适应数据流方式组织的AI Core，专门用来承载AI这类数据密集型运算。

换句话说，Xilinx的技术路线就是设计了一套专门的硬件体系来承接AI运算。Versal ACAP整合了标量处理引擎、自适应硬件引擎和智能引擎，再加上前沿的存储器和接口技术，异构加速性能一下子就被拉高了。

相比之下，Intel FPGA的AI路线就显得比较保守。它不是在传统FPGA结构之外独立搞一套AI Core阵列，而是把嵌在FPGA内部的DSP模块直接升格为AI张量模块，但这依然是FPGA内部的组成部分之一。

在传统FPGA里，乘累加主要靠DSP模块实现。为了追求灵活性，普通的DSP模块就是一两组乘法器外加一个加法器，可以搭配其他部分组成各种运算算法。可AI算法的核心是大量乘加/乘累加，本质上属于“张量”运算。所以要想提升FPGA执行AI算法的效率，最直接的办法就是把DSP模块升级成更适合AI张量运算的模块——这也正是Intel走的路。

Intel第一款搭载张量模块的FPGA是2020年推出的Stratix 10 NX。它针对AI计算中常用的矩阵-矩阵或矢量-矩阵乘法和加法运算做了优化，可以支持INT8和INT4格式，还能通过共享指数支持FP16和FP12块浮点数字格式。

采用AI张量模块的增强型DSP带来了两种全新的运算模式：一是针对AI的张量处理，二是面向信号处理应用的复数支持。后者涵盖快速傅里叶变换（FFT）、复杂有限脉冲响应（FIR）滤波器等。第一种模式靠INT8张量就能增强AI能力；第二种模式则很有意思——过去复数乘法需要两个DSP模块，优化后一个增强型DSP就能完成16位定点复数乘法。这些创新不仅为Intel FPGA的发展打好了基础，也成了它在边缘AI领域的重要支撑。

Xilinx和Intel这两种路线，基本就是FPGA AI化的主要技术路径。尤其是Xilinx那种高度可配置、可扩展的架构设计，已经成为当前FPGA做异构融合的主流方式。

软件方面，HLS（高层次综合）技术近年来是各大FPGA学术会议上最热的话题之一。通过HLS，像C++、OpenCL这样的高级语言经特定编译工具，可以直接转化成FPGA能跑的硬件代码。AMD和Intel都有各自的HLS工具和开发套件。此外，开发工具链也越来越丰富，集成开发环境、仿真器、调试器一应俱全，大大降低了开发、调试和验证AI应用的难度。

03. 边缘AI，中端FPGA潜能巨大

按性能、成本、尺寸等因素来分，FPGA可以划为小型、中型和大型，对应市场上常说的低、中、高端应用。低端FPGA低功耗、低成本、体积小，特别适合边缘计算和IoT设备。因为边缘计算需要在设备端做实时数据决策，低端FPGA用在智能摄像头、智能家居、传感器节点等场景里做AI推理，比如图像识别、语音识别、运动检测，完全够用。甚至还能搞点小规模的模型训练优化。

中端FPGA的机会就更多了。它有较高的性能和资源，能处理更复杂的AI任务，比如图像和视频处理、自动驾驶、工业自动化。它既能加速计算、优化算法，也能实现实时推理，还能和其他硬件翻跟斗联手，构建混合加速平台，实现更高效的AI计算。

高端FPGA的机会主要集中在高性能计算和数据中心加速上。它有大规模逻辑资源、大存储容量、高时钟频率，能够支撑复杂且大规模的AI模型训练和推理任务。

值得一提的是，随着AI应用越来越多地转向边缘端——追求比云端更低的延迟、更安全、更私密——高端FPGA的特性正在向中端应用延伸。网络边缘计算、智能终端设备等市场展现出巨大潜力，国内外厂商都在加大中端FPGA的布局。

工业摄像头就是一个典型例子。它体积小、散热条件差，但对带宽要求却越来越高，属于典型的“既要性能又要低功耗”的应用。类似地，汽车ADAS、MDC、汽车显示等方面，也都在呼唤更强的处理能力和更高的处理带宽。中端FPGA的低功耗、高性能恰恰能完美应对这些需求。

之前一直专注于低功耗FPGA的Lattice，近年来也开始布局中端。它的策略可以理解为“通过专用平台来满足市场需求”。在Lattice看来，市场上很多中端FPGA实际上是用大型FPGA的架构改出来的，底层架构没变，只是砍掉了一些功能。这种以高性能计算为导向的架构，在功耗和物理尺寸上往往得不到最佳优化。

于是，Lattice推出了逻辑单元数量达到500K的FPGA，以前它家的产品大多只有100K~150K逻辑单元。同时，在互联性能、封装尺寸和性能方面也做了优化，让产品更适合中端应用。另一边，Intel也开始重视中端市场。前几年Intel出的FPGA大多偏高端，但随着Agilex D系列和代号Sundance Mesa的Agilex FPGA推出，Intel正把更多精力转向中端。

一个值得注意的趋势是：高端和中端FPGA之间的界限越来越模糊。过去几年，中端FPGA应用变化很大，现在需要更高的性能和更低的功耗，高端FPGA正在向中端延伸。与此同时，一些低端应用也对产品提出了更高的要求。这就意味着，厂商需要打造兼具低功耗和高密度特性的产品。

国产FPGA厂商也在努力创新。京微齐力最近宣布，在自家FPGA中集成了Imagination的Series3NX AI核，瞄准AIoT和边缘端AI视频分析处理。这相当于把FPGA、CPU、AI等异构计算单元整合在同一芯片上，强调“硬件的可重构特性”。这种混合架构的平台芯片，比单一架构更能支持高度定制化和能效提升。

04. 写在最后

FPGA最核心的价值就在于可编程性和灵活性。AI发展初期，很多新应用还在酝酿中，各类标准也在演进，算法更是层出不穷。这个阶段，硬件既要算力又要灵活，FPGA正好满足了这些需求。特别是在推理环节的小批量数据处理中，FPGA凭借流水线并行，能做到高并行、低延迟。再加上低延迟、数据隐私和带宽限制等因素的驱动，FPGA的低功耗、灵活和快速响应特性，显得格外珍贵。

行业数据表明，2021到2027年，FPGA市场预计将以12%的年复合增长率持续成长，规模有望达到130亿美元。中国市场的增速可能更快，未来五年增长率预计保持在18%左右。随着AI应用的不断渗透，FPGA有望在汽车、工业等一系列传统非FPGA应用领域，打开全新的局面。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：FPGA如何拥抱AI大时代关键技术与路径深度解析要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题