全面解析ASIC与FPGA：探索计算芯片领域的两大巨头

在探索计算芯片的旅程中，我们相继遇见了CPU和GPU这两大巨星。而今，又有两位新星闪亮登场——ASIC与FPGA。接下来，让我们一起走进它们的世界。

首先登场的是ASIC，即专用集成电路。与GPU相比，尽管其并行算力同样不容小觑，但ASIC在功耗、体积和价格方面都展现出了显著的优势。进入21世纪后，随着算力需求的日益增长和场景的日益细分，通用算力芯片已难以满足用户对高性能的需求。因此，越来越多的企业开始聚焦于专用计算芯片的研发与投资，而ASIC正是其中的佼佼者，专为特定任务量身定制。

ASIC，即专用集成电路，是根据特定用户需求或电子系统特定需求而专门设计和制造的集成电路。这种芯片在计算领域有着悠久的历史，自上世纪70-80年代起便开始崭露头角。起初，ASIC主要被应用于计算机领域，随后逐渐扩展到嵌入式控制系统。近年来，随着AI推理、高速搜索以及视觉和图像处理等需求的不断增长，ASIC再次成为科技领域的焦点。值得一提的是，Google公司推出的TPU便是其中的佼佼者，为AI领域带来了革命性的变革。

TPU，全称Tensor Processing Unit，即张量处理单元。张量，这一数学实体，在机器学习中扮演着核心角色，被广泛应用于各类系统。因此，TPU可以被视为专门为AI设计的处理单元。

Google在2015年为提升AI算力，推出了一款专为神经网络训练设计的芯片——TPU v1。这款芯片在神经网络计算方面展现出卓越性能，相比传统的CPU和GPU，性能提升可达1530倍，能效更是大幅提升3080倍，这一创新无疑在行业内引起了巨大反响。

随后，Google在2017年和2018年分别推出了性能更为强劲的TPU v2和TPU v3，进一步巩固了其在AI领域的领先地位。2021年，Google更是推出了采用7nm工艺、晶体管数高达220亿的TPU v4，其性能相较于上一代产品有了显著提升，甚至超越了英伟达的A100。

不仅如此，其他科技巨头也在积极布局ASIC领域。例如，英特尔在收购以色列AI芯片公司Habana Labs后，于2022年发布了Gaudi 2 ASIC芯片，展示其在AI领域的实力。IBM研究院也在同年底发布了AI ASIC芯片AIU，进一步推动了ASIC技术的发展。此外，三星也曾涉足ASIC领域，其矿机专用芯片在比特币挖矿领域展现出高效能耗比的优势。

除了TPU，还有另外两类知名的ASIC芯片，它们分别是DPU和NPU。DPU，即数据处理单元，主要应用于数据中心，负责高效处理数据。而NPU，全称为神经网络处理单元，通过模拟人类神经元和突触的电路层，运用深度学习指令集进行数据处理。NPU专为神经网络推理而设计，能高效执行卷积、池化等操作，常集成于手机芯片中。值得一提的是，如今手机的主芯片，即SoC芯片，也属于ASIC芯片的一种。

手机SoC芯片

ASIC作为专门的定制芯片，其优势并不仅仅体现在企业独享的专属logo和命名上。实际上，定制芯片就像量体裁衣一样，完全根据芯片所面向的专项任务来设计和优化。这意味着芯片的计算能力和效率都会与任务算法严格匹配，从而确保最佳的性能。此外，芯片的核心数量、逻辑计算单元与控制单元的比例，以及缓存等架构设计，都是经过精心定制的。因此，这类芯片在体积、功耗方面都能达到极致，同时在可靠性、保密性、算力和能效方面也优于通用芯片。

值得一提的是，那些知名的ASIC公司，如谷歌、英特尔、IBM和三星，都是行业内技术领先、资金雄厚的大厂。这是因为定制设计ASIC芯片对企业的研发技术水平要求极高，且研发过程耗资巨大。从代码设计到后端设计，再到几个月的生产加工和封装测试，每一个环节都需要精湛的技术和长时间的投入。而“流片”这一过程，更是对芯片制造工艺的严峻考验。

ASIC的研发过程中，流片是一个必不可少的环节。采用14nm工艺流片，每次的费用大约需要300万美元；而若采用更先进的5nm工艺，则费用高达4725万美元。一旦流片失败，意味着巨大的经济损失和时间浪费，对于资金和技术实力不足的小公司而言，无疑是沉重的打击。

接下来要介绍的FPGA，便为这一难题提供了解决方案。

FPGA，即现场可编程门阵列，是一种独特的芯片技术。与ASIC不同，FPGA在制造完成后，可以根据用户需求进行无限次的重构和编程，从而实现多样化的数字逻辑功能。这种灵活性使得FPGA被誉为“万能芯片”。

FPGA的架构是其实现DIY功能的关键。它由可编程逻辑块（CLB）、输入/输出模块（IOB）以及可编程互连资源（PIR）等组件构成，再加上静态存储器SRAM的支持，使得FPGA能够根据需求进行灵活配置。

CLB，即逻辑单元，是FPGA的核心部分，负责实现各种逻辑功能。它们以阵列形式规则地分布在芯片上，承载着主要的电路功能。IOB，作为芯片与外部的接口，负责连接逻辑单元与外部引脚，通常环绕在芯片四周。PIR，即编程互连资源，提供了丰富的连线选项，包括纵横网状连线、开关矩阵和连接点，用于构建特定功能的电路。而静态存储器SRAM，则用于存储IOB、CLB和PIB的编程数据，并对其进行控制，从而实现系统的逻辑功能。

CLB内部结构复杂，主要由查找表（LUT）、多路复用器（MUX）和触发器（FF）组成。这些组件协同工作，能够处理复杂的逻辑运算。LUT类似于一个存储计算结果的RAM，当用户描述一个逻辑电路时，软件会预先计算所有可能的结果并存储在LUT中。在运行时，逻辑运算就变成了简单的查表操作，极大地提高了运算速度。

用户通过硬件描述语言（如Verilog或VHDL）设计电路，然后对FPGA进行编程，将设计转化为实际功能。加电时，FPGA从EPROM中读取数据并配置到SRAM中，完成配置后即可开始工作。掉电后，FPGA恢复为白片状态，内部逻辑关系消失，但重新加电后又能通过编程实现所需功能。这种灵活性使得FPGA成为了一种强大的“现场”可编程芯片。

接下来，让我们深入探讨FPGA的发展历程。
FPGA起源于PAL（可编程阵列逻辑）和GAL（通用阵列逻辑）等可编程器件，逐渐演变为一种半定制电路。自1985年由Xilinx公司（赛灵思）率先推出以来，FPGA领域逐渐吸引了Altera（阿尔特拉）、Lattice（莱迪思）和Microsemi（美高森美）等知名公司的加入，共同塑造了四巨头的竞争格局。

2015年5月，Intel（英特尔）以167亿美元的高价收购了Altera，并将其纳入PSG（可编程解决方案事业部）部门。随后，在2020年，AMD也以350亿美元的价格收购了Xilinx，进一步巩固了Xilinx在FPGA领域的地位。因此，目前全球FPGA市场主要由Xilinx（现为AMD旗下）、Intel、Lattice和Microsemi四大巨头主导，其市场份额高达93%。

值得一提的是，Intel在2021年宣布计划拆分PSG部门，以独立业务运营的方式进一步探索FPGA技术的发展。同时，国内也有复旦微电、紫光国微、安路科技等众多FPGA厂商在积极追赶国际先进水平。

对比ASIC和FPGA这两种芯片技术的差异。
本质上，ASIC和FPGA都属于芯片范畴。然而，ASIC作为全定制芯片，其功能是固定的，无法进行修改；而FPGA则提供了更高的灵活性，使得用户能够根据需求定制电路功能。这种差异类似于使用模具制作的玩具与乐高积木的差异：模具制作的玩具功能单一且无法更改，而乐高积木则提供了无尽的组合可能性和创造性。
来构建玩具。初次尝试就能上手，稍加时间，即可完成搭建。若是不满意，或是想要尝试新玩具，只需拆解后，重新组合即可。
ASIC与FPGA在设计工具上有很多相似之处，但设计流程上，FPGA相较于ASIC更为简化，省略了某些制造步骤和额外验证环节，其流程大约仅为ASIC的50%-70%。特别值得一提的是，FPGA无需经历繁琐的流片过程，这大大缩短了开发周期。通常，开发ASIC可能需要数月乃至一年以上的时间，而FPGA的开发则仅需几周或几个月。

那么，FPGA是否因此在成本上总是优于ASIC呢？答案并非绝对。
尽管FPGA在实验室或现场即可进行预制和编程，节省了初期的一次性工程费用（NRE），但作为“通用玩具”，其成本通常是ASIC（即“压模玩具”）的十倍之多。然而，在生产量较低的情况下，FPGA的成本优势会更为明显；而当生产量增大时，ASIC的一次性工程费用得到分摊，其价格则可能更为亲民。

具体而言，当产量低于40万片时，FPGA的成本相对较低；而产量超过40万片后，ASIC则更显经济性。

从性能和功耗的角度来看，ASIC作为专用定制芯片，在性能和功耗方面均优于FPGA。

FPGA作为通用可编辑芯片，由于冗余功能较多，可能在设计时会产生不必要的部件。相比之下，ASIC的贴身定制设计和硬连线特性使其性能更为强劲，功耗更低。

然而，FPGA和ASIC并非简单的竞争和替代关系，它们各自有着不同的定位。

FPGA在产品原型开发、设计迭代以及低产量特定应用方面表现出色，其短开发周期的特点使得它成为那些对开发周期有严格要求的产品的理想选择。同时，FPGA还常用于ASIC的验证过程。

ASIC则更适合于设计规模大、复杂度高的芯片，或者是成熟度高、产量大的产品。其优势在于能够针对特定应用进行优化，从而实现更高的性能和更低的功耗。

此外，FPGA在通信、国防、航空、数据中心、医疗、汽车及消费电子等多个领域都有广泛的应用。特别是在通信领域，FPGA被广泛应用于基站处理芯片、波束赋形、天线收发器等关键部件中。尽管随着技术的成熟和定型，通信设备商开始采用ASIC进行替代以降低成本，但FPGA在时延优势方面的表现仍然受到汽车和工业领域的青睐。

在消费电子领域，由于产品迭代迅速，ASIC的长开发周期可能无法满足市场的快速变化需求，而FPGA的短开发周期则成为其优势。

综上所述，FPGA和ASIC各有千秋，它们在不同的应用场景下有着各自的优势。而对于AI芯片的选择，则需要根据具体的应用需求来进行评估。在AI计算中，训练阶段GPU占据领先地位，而在推理阶段，则可能需要考虑FPGA或ASIC等其他选项。
接下来，让我进一步阐述一下。

首先，要明确的是，在理论和架构层面进行分析，ASIC和FPGA在性能和成本方面，无疑都超越了CPU和GPU。
CPU和GPU遵循的是冯·诺依曼体系结构，其指令需经过存储、译码、执行等环节，且在共享内存使用时，会涉及仲裁和缓存。相较之下，FPGA和ASIC并非遵循这一架构，而是采用哈佛架构。以FPGA为例，其本质特点在于无指令、无需共享内存，且在编程时已确定了逻辑单元功能，实现了硬件与软件算法的结合。此外，FPGA中的寄存器和片上内存为各自的控制逻辑所独占，无需仲裁和缓存。从ALU运算单元的占比来看，GPU虽高于CPU，但FPGA因其几乎无控制模块、全模块均为ALU运算单元的特性，占比更是超越GPU。因此，综合各方面考量，FPGA的运算速度相较于GPU更为出色。

再来看功耗方面，GPU因内存接口带宽极高（如GDDRHBM、HBM2）而功耗高昂，单片可达250W甚至450W。而FPGA则因采用传统DDR接口，功耗相对较低，通常仅在30~50W范围内。此外，FPGA的工作主频低于CPU和GPU，这也使其功耗进一步降低。不过，需注意的是，FPGA的工作主频受布线资源限制，部分线需绕远路，若时钟频率过高则可能无法及时响应。

至于时延方面，GPU因需将不同训练样本划分为固定大小的“Batch”并进行处理，时延相对较高。而FPGA则因其无批次处理特性，每处理完一个数据包即可立即输出，从而在时延上更具优势。

那么，面对FPGA在性能和成本上的显著优势，为何GPU在AI计算领域仍能保持热门地位呢？这背后的原因究竟是什么呢？
在追求算力性能和规模的浪潮下，行业往往对成本和功耗的考量相对较少。英伟达持续推动GPU的核心数和工作频率的提升，以及芯片面积的扩大，以硬刚算力。在工艺制程和被动散热技术（如水冷）的助力下，功耗问题得以缓解。
此外，英伟达在软件和生态方面的布局也为其GPU的普及奠定了基础。CUDA作为GPU的核心竞争力，使得初学者能够迅速上手GPU开发。多年的经营已形成了庞大的用户群体。

相比之下，FPGA和ASIC的开发复杂性较高，不适合广泛普及。尽管FPGA具有可编程性，能轻松对接各种标准和非标准接口，但其普及程度仍不及GPU。

在AI领域，GPU凭借强大的算力在训练阶段表现出色，能显著提升效率。然而，在推理阶段，由于输入通常是单个对象（如图像），对并行度的要求较低，因此GPU的算力优势并不那么明显。这时，一些企业可能会选择更经济、省电的FPGA或ASIC来进行计算。

综上所述，在选择计算芯片时，应根据具体应用场景的需求来定。看重绝对算力性能的场合，GPU是首选；而算力性能要求不高的场合，则可以考虑采用FPGA或ASIC来节约成本和电能。

至此，关于CPU、GPU、FPGA、ASIC的介绍就告一段落了。
这些计算芯片各自有着独特的特点和应用领域，共同构成了人类计算世界的基石。随着科技的不断进步，我们期待看到更多创新的计算芯片技术涌现，为人类带来更强大的计算能力。
另外，值得一提的是，IBM也取得了类脑芯片方面的突破，这种芯片的设计灵感来源于人脑的神经突触，旨在模拟人脑的处理方式。尽管这一领域目前仍待进一步探索，但其潜力已引发了广泛的关注。

在未来，我们将有机会更深入地探讨这些前沿技术。在此，希望小枣君的芯片系列文章能为大家提供有益的参考。若您喜欢此类内容，请关注、分享并点赞，以示支持！

—— 结束语 ——

参考文献：

《一文搞懂GPU的概念、工作原理》，开源LINUX；
《AI芯片架构体系综述》，知乎，Garvin Li；
《GPU、FPGA、ASIC加速器有什么区别？》，知乎，胡说漫谈；
《带你深入了解GPU、FPGA和ASIC》，汽车产业前线观察；
《为什么GPU是AI时代的算力核心》，沐曦集成电路；
《一文通览自动驾驶三大主流芯片架构》，数字化转型；
《AIGC算力全景与趋势报告》。