在人工智能、高速无线通信、医疗与生命科学技术快速发展的背景下，FPGA 正在迎来全新的应用黄金期。它们不仅作为传统的原型验证工具，还越来越多地扮演着数据流优化、AI 基础设施加速与网络安全保障等关键角色。
FPGA(现场可编程门阵列)的核心优势在于：部署之后仍可重配置逻辑。在算法迭代速度远超过芯片架构迭代速度的 AI 时代，这一特性显得尤为重要。此外，低前期成本让 FPGA 成为 ASIC 前的验证平台，或在工作负载尚未稳定前的“临时硬件方案”。虽然单片成本仍然高于 ASIC，但它们在低量、高性能领域极具优势，如国防、航空和实验室测量设备。
新的应用领域包括：
云服务器中的复杂算法卸载(尤其用于 3D 计算的医疗和科学应用)
低成本混合原型验证
缓解 SoC 与 NoC 内存 / I/O 瓶颈
AI 数据管道管理与数据预处理
5G / 6G 基站与核心网络
提供定制化硬件功能的产品差异化
面对不断演进的安全规范与威胁的“保险机制”
高端FPGA的主要大批量用户包括通信公司(无线和有线)、数据中心、网络以及军事、航空航天和政府部门。“这些应用领域的年用量从数千到数十万颗不等，”Altera业务管理集团负责人Venkat Yadavalli表示。“在应用领域方面，FPGA集成了更多功能，例如嵌入式Arm内核和AI向量模块，这提高了FPGA在更广泛的嵌入式和边缘AI应用中的使用率。”
机器人技术是正在蓬勃发展的一个领域，它需要确定性的延迟，并利用来自摄像头和传感器的异构数据在边缘端进行实时决策。“它可以是语音、视频，或者任何需要传感器融合的数据，”Yadavalli说道。
另一个重要的应用场景是医学成像技术，从验光师扫描视网膜到核磁共振成像系统，无所不包。“你需要处理原始的模拟数据，对其进行滤波、处理，并用它来重建图像，还要进行大量的矩阵运算，”AMD自适应和嵌入式产品营销高级经理Rob Bauer表示，“FPGA在这方面表现出色。人工智能引擎非常擅长矩阵运算，因此它们是这类体积成像应用的理想选择。”
在当今快速变化、高度互联且人工智能赋能的环境中，对于设计人员应该使用 FPGA、ASIC 还是其他类型的 IC，并没有一个统一的答案。
Arteris公司产品管理和市场营销副总裁Andy Nightingale表示：“你不会在两种解决方案之间随意切换。 你拥有的是多种方案的组合或融合。互连技术促进并支持FPGA的混合应用，例如用于网络安全或缓解I/O瓶颈。FPGA可以实现原型设计，但客户可能会在系统中保留某些FPGA，他们可能会说：‘我们希望在SoC中使用定制硬件，但我们会保留一些FPGA技术，因为这样做的好处大于定制硬件所需的时间，即使最终发现规范或标准发生了变化。’如果网络安全标准发生变化，他们就必须重新实现和处理，而FPGA可能包含可以重新编程的内容。即使功耗方面会有略高的开销，但它可能不在关键路径上，因此可以绕过这个问题。”
在权衡各种方案时，考虑FPGA中每个逻辑单元的成本很有帮助。“与ASIC相比，你需要一些架构设计才能获得成本效益，”Yadavalli说道。“与ASIC或ASSP相比，你总会略微处于劣势，因为它们的功能是固定的，经过精心设计和优化，只实现你所需的功能，而不是让你自己创建所有可编程性。在这种情况下，你在实现以太网或PCIe方面会有一些额外的开销。你可以切换所有这些功能。你需要所有这些电路，而这会带来成本。最终取决于投资回报率，以及市场是否已经稳定到你需要ASIC的地步。”
这关乎于在设计上做出权衡，以解决特定问题。“如果你观察FPGA的用户，你会发现他们正试图完成越来越复杂的任务，”Bauer说道。“在物理人工智能领域，人们正尝试将人工智能集成到边缘系统中，从传感器获取数据并立即进行处理，延迟极低。数据速率在不断提高，安全要求也在不断提高。这是一个优化问题。”
不断发展的算法
AI/ML 模型是一个不断变化的目标，虽然可以重新编程 FPGA 来匹配它们，但随着情况的变化，选择最佳芯片是一个循环过程。
“如果工作负载经常变化，那么我需要通用计算，” Movellus首席执行官 Mo Faisal 表示。“我可以进行更多优化，并将其性能发挥到极致。但最终你会意识到，‘这种高度灵活的通用计算不再有价值。我需要进行定制。我们正处于一个周期，我的问题陈述变化如此之大，以至于我可能通过采用可重编程计算获得更多收益。’最终，我们会耗尽这方面的潜力，回到过去 ASIC 和 FPGA 的发展历程。当然，你可以开发专门针对 FPGA 的特定算法。例如，如果你想谈谈粒子加速器的规模，他们使用 10,000 个 FPGA 来处理以特定速率输出的数据。但如果你想大规模地实现这一点，目前只有 CERN 和费米实验室。如果你想要 10,000 个 FPGA 呢?你需要重新考虑 FPGA。”
其他人也认为这需要具体情况具体分析。“是否使用可编程FPGA取决于你面临的工作负载类型，软件开发也是如此，” ChipAgents研究主管张克勋表示。“生命科学领域的研究人员正在设计不同的模型架构。我看到一些领域和方向的模型架构探索远未趋于一致，这就是为什么人们仍然需要编译器，仍然需要硬件以合理的速度运行其定制的模型架构。而FPGA正是在这些领域大放异彩。”
对于消费市场和其他大众市场而言，成本和效率结构并不合理。“在数据中心，原型设计或针对非常具体的AI变更，或许能从中受益，” Baya Systems首席商务官Nandan Nayampally表示。“例如，如果你从事高频交易，算法会定期变更，那么就需要进行优化。如果我没有足够的业务量或成本来支持ASIC，那么我可能会坚持使用FPGA。许多新型AI架构都采用可编程组件和可编程引擎，集成在同一芯片或多个芯片上，这既能提高效率，又能保持灵活性。”
在FPGA上，可以根据FPGA的规模，构建尽可能多的硬连线并行计算单元，只要资源允许即可。“与通用GPU核心相比，FPGA可以根据应用进行定制，”Nightingale说道，“还可以自定义并行度。”
用于复杂算法和验证的虚拟 FPGA 机器。
基于云的 FPGA 也可用于将计算密集型工作负载从数据中心卸载，例如，通过使用 Amazon Web Services EC2 虚拟服务器。“你可以访问 AWS 并配置一台虚拟机，”西门子 EDA项目总监 Russell Klein 表示。“这是一台物理机，它配备了所谓的 F2 实例。它内置一张 PCIe 卡，上面有八个 Xilinx FPGA，所有这些 FPGA 都可以通过 PCIe 总线与主处理器进行编程。我一直在与他们合作，利用我们的高级综合工具来对这些 F1 实例进行编程，并告诉他们：‘这里有一个函数，让我们通过 PCIe 总线将其推送到 FPGA 架构上。’我们刚刚实现了这个功能，我可以获取一个函数，通过我们的高级综合工具对其进行编译，然后通过 Xilinx 工具将其与处理器上运行的软件进行交互。”
此外，F2实例还被用于卸载非常复杂的算法。“他们主要在生命科学领域看到这种应用——从事DNA分析或化学反应分析的人员需要处理非常复杂的3D数学运算，他们需要对FPGA进行编程，并让FPGA与主机上运行的处理器进行交互，”Klein说道。“他们可以通过PCIe连接将所有这些设备连接起来，从而加速这些非常复杂的算法。我们将在人工智能领域看到这种应用的广泛普及，因为它速度更快、能耗更低。这显然是创建更快、更高效的推理和训练环境的下一步。这种能力已经具备，我们需要让整个行业开始利用它。”
F2实例的另一个应用场景是低成本硬件验证。“SiFive刚成立的时候，他们需要在RISC-V设计上启动操作系统，才能制造芯片，”Klein说道。“他们想把这作为验证步骤。他们没有购买FPGA原型系统，而是以每小时6美元的价格在AWS上租用FPGA板。他们可以将一个CPU实例集成到一个芯片上，然后通过编程到多个FPGA和多个板卡上，运行多CPU、多核设计。他们利用这些数据中心CPU搭建了自己的低成本仿真器。AWS对此非常感兴趣，并为此开发了相关工具，能够利用系统中的FPGA架构建模部分进行逻辑仿真。他们可以将所有这些功能结合起来运行，速度更快。这就像一个混合FPGA原型系统。”
特写镜头展示了多个带有散热风扇的计算机电路板，它们呈网格状排列。
图 1. FPGA 长期以来一直被用作 ASIC 的原型设计工具，例如这款 proFPGA 桌面原型设计系统。来源：西门子 EDA
整张卡都连接到服务器上的一个处理器。“他们会在一台服务器上插入多张这样的卡，每张卡都插在不同的 PCIe 插槽中，这样就可以将多个程序连接到多张卡上，”克莱因解释说。“你可以非常快速地启动和关闭它。这些是数据中心的 FPGA 卡，可以加速硬件验证、生物科学和人工智能的发展。这是一种应对我们当今计算挑战的可行技术。”
与此同时，FPGA 正在助力实现左移设计。“如果你看看人工智能驱动下的新芯片开发呈爆炸式增长，以及 2nm 等先进制程节点的成本，就会发现确保设计正确性比以往任何时候都更加重要，”AMD 的 Bauer 表示。“软件工程团队可以利用这些仿真原型平台，在最终 ASIC 芯片流片之前就开发出相应的软件。”
减少瓶颈，数据准备
FPGA 还可以通过优化数据传输来帮助减少 SoC 和芯片中的内存和 I/O 瓶颈，从而节省数据中心的功耗并提高性能。
Altera 近期 选择 Arteris 来协助解决这个问题。“FPGA 可以直接放置在数据路径中来管理数据流，从而最大限度地减少缓冲，优化吞吐量，”Nightingale 表示。“通过在线管理数据，FPGA 可以对传入的数据进行预处理，这减轻了 CPU、GPU 或其他处理单元的工作量，从而缓解了 AI 系统性能中最主要的瓶颈。因此，出现的内存和 I/O 瓶颈也得以减少。”
这与在线处理类似，即将FPGA直接嵌入到数据流中。“由于如今这些设备的容量都非常大，你可以在数据流经的同时对同一批数据进行更多处理，”Nightingale说道。“我们看到FPGA技术贯穿整个数据传输过程，与数据处理紧密结合。”
在数据中心，FPGA 被用作带有本地内存的智能网卡。“你会遇到非常庞大的网状拓扑结构，必须能够快速地将数据从一个点移动到另一个点，”Bauer 说。“FPGA 的可重构特性，加上其超高速的连接性、内存容量和低延迟，使其非常适合与 AI 计算单元(无论是 GPU 还是 ASIC)并排使用。这样，客户就可以精确地定义数据的移动位置。我们将大容量内存直接放置在计算单元旁边。在 AI 应用中，内存和计算单元的邻近性至关重要。这才是高端应用。”
另一方面，GPU集群或服务器主板上也使用非常小的FPGA，用于执行板级编排、管理和电源时序控制。“我们称之为服务器I/O类型的用例，”鲍尔说道。“服务器上的FPGA控制着各个板级，确保所有组件都能正确供电。此外，还有FPGA负责将数据传输到内存以及在不同的计算单元之间进行通信。”
FPGA 的另一个新角色是 AI 基础设施，它需要处理进入 GPU 或 CPU 的基础设施数据。“数据进入系统后，这些数据包的管理方式具有很高的可编程性，”Yadavalli 说。“你需要一种更智能的方式来管理网络接口卡、智能网卡功能，或者某种数据平面管理，这些都需要在数据进入 CPU 或 GPU 之前完成。FPGA 的作用就在于接收这些数据，并以一种能够被后端所有大型 GPU 和 CPU 使用的方式对其进行预处理。”
本文来源于公众号：OpenFPGA
