（文章來源：OFweek）

FPGA是什么？場效可編程邏輯閘陣列FPGA運用硬件語言描述電路，根據所需要的邏輯功能對電路進行快速燒錄。一個出廠后的成品FPGA的邏輯塊和連接可以按照設計者的需要而改變，這就好像一個電路試驗板被放在了一個芯片里，所以FPGA可以完成所需要的邏輯功能。

FPGA和GPU內都有大量的計算單元，因此它們的計算能力都很強。在進行神經網絡運算的時候，兩者的速度會比CPU快很多。但是GPU由于架構固定，硬件原生支持的指令也就固定了，而FPGA則是可編程的。其可編程性是關鍵，因為它讓軟件與終端應用公司能夠提供與其競爭對手不同的解決方案，并且能夠靈活地針對自己所用的算法修改電路。

同樣是擅長并行計算的FPGA和GPU，誰能夠占領人工智能的高地，并不在于誰的應用更廣泛，而是取決于誰的性能更好。在服務器端，有三個指標可供對比：峰值性能、平均性能與功耗能效比。當然，這三個指標是相互影響的，不過還是可以分開說。

GPU上面成千上萬個核心同時跑在GHz的頻率上是非常壯觀的，最新的GPU峰值性能甚至可以達到10TFlops 以上。GPU的架構經過仔細設計，在電路實現上是基于標準單元庫而在關鍵路徑上可以用手工定制電路，甚至在必要的情形下可以讓半導體fab依據設計需求微調工藝制程，因此可以讓許多core同時跑在非常高的頻率上。

相對而言，FPGA首先設計資源受到很大的限制，例如GPU如果想多加幾個核心只要增加芯片面積就行，但FPGA一旦型號選定了邏輯資源上限就確定了。而且，FPGA里面的邏輯單元是基于SRAM查找表，其性能會比GPU里面的標準邏輯單元差很多。最后，FPGA的布線資源也受限制，因為有些線必須要繞很遠，不像GPU這樣走ASIC flow可以隨意布線，這也會限制性能。

FPGA可以根據特定的應用去編程硬件，例如如果應用里面的加法運算非常多就可以把大量的邏輯資源去實現加法器，而GPU一旦設計完就不能改動了，所以不能根據應用去調整硬件資源。

目前機器學習大多使用SIMD架構，即只需一條指令可以平行處理大量數據，因此用GPU很適合。但是有些應用是MISD，即單一數據需要用許多條指令平行處理，這種情況下用FPGA做一個MISD的架構就會比GPU有優勢。

所以，對于平均性能，看的就是FPGA加速器架構上的優勢是否能彌補運行速度上的劣勢。如果FPGA上的架構優化可以帶來相比GPU架構兩到三個數量級的優勢，那么FPGA在平均性能上會好于GPU。

功耗能效比：功耗方面，雖然GPU的功耗遠大于FPGA的功耗，但是如果要比較功耗應該比較在執行效率相同時需要的功耗。如果FPGA的架構優化能做到很好以致于一塊FPGA的平均性能能夠接近一塊GPU，那么FPGA方案的總功耗遠小于GPU，散熱問題可以大大減輕。反之，如果需要二十塊FPGA才能實現一塊GPU的平均性能，那么FPGA在功耗方面并沒有優勢。

能效比的比較也是類似，能效指的是完成程序執行消耗的能量，而能量消耗等于功耗乘以程序執行的時間。雖然GPU的功耗遠大于FPGA的功耗，但是如果FPGA執行相同程序需要的時間比GPU長幾十倍，那FPGA在能效比上就沒有優勢了；反之如果FPGA上實現的硬件架構優化得很適合特定的機器學習應用，執行算法所需的時間僅僅是GPU的幾倍或甚至于接近GPU，那么FPGA的能效比就會比GPU強。

隨著科技的進展，制造業走向更高度的自動化與智能化，對工業控制技術等領域不斷產生新的需求，在未來的工業制造領域，FPGA將有更大的發展空間。
? ? ? （責任編輯：fqj）