重新定义AI芯片

人工智能芯片经历了从CPU->GPU->FPGA->AI芯片的发展历程。

阿尔法狗的首次战胜人类可谓是费了“洪荒之力”，本质上是基于冯.诺依曼计算架构所决定的。于是具备强大并行计算能力与浮点计算能力GPU一度成为深度学习模型训练和推理的标配。相比CPU，GPU提供更快的处理速度，需要更少的服务器投入和更低的功耗，成为近些年来深度学习训练的主流模式。

但GPU无法满足所有场景深度学习计算任务。除前面所述，再举个例子，比如L4自动驾驶，需要识别道路、行人、红绿灯等状况，如果基于CPU计算，时延无法满足要求，恐怕车翻到河里还没发现前方是河；如果用GPU计算，虽然时延可以满足要求，但是功耗大，汽车电池无法长时间运行。此外，1块GPU卡少则万元多则近10万人民币，无法普及大多数普通消费者。

本质上，GPU不是专门针对AI算法开发的ASIC，人们亟需找到既能解决深度学习训练和推理的运算能力，又能解决功耗和成本问题的芯片，FPGA芯片在这样背景下诞生。

FPGA可编程的阵列（Field-ProgrammableGateArray），作为ASIC领域中的一种半定制电路而出现，本质上是基于无指令，无需共享内存的体系架构创新，满足了特定场景的需求。

FPGA主要通过以下手段提升性能、降低时延；减少能耗、降低成本：

通过烧入可配置、可反复刷写的FPGA配置文件来定义大量门电路和存储器间的连线。

通过配置文件，将FPGA变成不同的处理器，支持各种不同的深度学习计算任务。

FPGA中的寄存器和片上内存，属于各自的控制逻辑，无需不必要的冲裁和缓存。

根据研究发现，对于大量的矩阵运算GPU计算能力远高于FPGA，但是由于FPGA体系结构特点，非常适用于低时延、流式计算密集型任务处理。在类似海量并发的云端推断，比如语音云识别场景，FPGA相比GPU具备更低计算时延的优势，能够提供更佳的消费者体验。