介绍计算芯片领域的两位主角—ASIC和FPGA
█ ** asic** （专用集成电路）
上篇提到，gpu的并行算力能力很强，但是它也有缺点，就是功耗高，体积大，价格贵。
进入21世纪后，算力需求呈现两个显著趋势：一，算力的使用场景，开始细分；二，用户对算力性能的要求，越来越高。通用的算力芯片，已经无法满足用户的需求。
于是，越来越多的企业，开始加强对专用计算芯片的研究和投资力度。而asic（application specific integrated circuit，专用集成电路），就是一种专用于特定任务的芯片。
asic的官方定义，是指：应特定用户的要求，或特定电子系统的需要，专门设计、制造的集成电路。
asic起步于上世纪70-80年代。早期的时候，曾用于计算机。后来，主要用于嵌入式控制。这几年，如前面所说，开始崛起，用于ai推理、高速搜索以及视觉和图像处理等。
说到asic，我们就不得不提到google公司大名鼎鼎的 tpu 。
tpu，全称tensor processing unit，张量处理单元。所谓“张量（tensor）”，是一个包含多个数字（多维数组）的数学实体。
目前，几乎所有的机器学习系统，都使用张量作为基本数据结构。所以，张量处理单元，我们可以简单理解为“ai处理单元”。
2015年，为了更好地完成自己的深度学习任务，提升ai算力，google推出了一款专门用于神经网络训练的芯片，也就是tpu v1。
相比传统的cpu和gpu，在神经网络计算方面，tpu v1可以获得1530倍的性能提升，能效提升更是达到3080倍，给行业带来了很大震动。
2017年和2018年，google又再接再厉，推出了能力更强的tpu v2和tpu v3，用于ai训练和推理。2021年，他们推出了tpu v4，采用7nm工艺，晶体管数达到220亿，性能相较上代提升了10倍，比英伟达的a100还强1.7倍。
除了google之外，还有很多大厂这几年也在捣鼓asic。
英特尔公司在2019年底收购了以色列ai芯片公司habana labs，2022年，发布了gaudi 2 asic芯片。ibm研究院，则于2022年底，发布了ai asic芯片aiu。
三星早几年也搞过asic，当时做的是矿机专用芯片。没错，很多人认识asic，就是从比特币挖矿开始的。相比gpu和cpu挖矿，asic矿机的效率更高，能耗更低。
除了tpu和矿机之外，另外两类很有名的asic芯片，是dpu和 npu 。
dpu是数据处理单元（data processing unit），主要用于数据中心。小枣君之前曾经专门介绍过，可以看这里：火遍全网的dpu，到底是个啥？
npu的话，叫做神经网络处理单元（neural processing unit），在电路层模拟人类神经元和突触，并用深度学习指令集处理数据。
npu专门用于神经网络推理，能够实现高效的卷积、池化等操作。一些手机芯片里，经常集成这玩意。
说到手机芯片，值得一提的是，我们手机现在的主芯片，也就是常说的soc芯片，其实也是一种asic芯片。
asic作为专门的定制芯片，优点体现在哪里？只是企业独享，专用logo和命名？
不是的。
定制就是量体裁衣。基于芯片所面向的专项任务，芯片的计算能力和计算效率都是严格匹配于任务算法的。芯片的核心数量，逻辑计算单元和控制单元比例，以及缓存等，整个芯片架构，也是精确定制的。
所以，定制专用芯片，可以实现极致的体积、功耗。这类芯片的可靠性、保密性、算力、能效，都会比通用芯片（cpu、gpu）更强。
大家会发现，前面我们提到的几家asic公司，都是谷歌、英特尔、ibm、三星这样的大厂。
这是因为，对芯片进行定制设计，对一家企业的研发技术水平要求极高，且耗资极为巨大。
做一款asic芯片，首先要经过代码设计、综合、后端等复杂的设计流程，再经过几个月的生产加工以及封装测试，才能拿到芯片来搭建系统。
大家都听说过“流片（tape-out）”。像流水线一样，通过一系列工艺步骤制造芯片，就是流片。简单来说，就是试生产。
asic的研发过程是需要流片的。14nm工艺，流片一次需要300万美元左右。5nm工艺，更是高达4725万美元。
流片一旦失败，钱全部打水漂，还耽误了大量的时间和精力。一般的小公司，根本玩不起。
那么，是不是小公司就无法进行芯片定制了呢？
当然不是。接下来，就轮到另一个神器出场了，那就是——fpga。
█** fpga（现场可编程门阵列）**
fpga，英文全称field programmable gate array，现场可编程门阵列。
fpga这些年在行业里很火，势头比asic还猛，甚至被人称为 “万能芯片” 。
其实，简单来说，fpga就是可以重构的芯片。它可以根据用户的需要，在制造后，进行无限次数的重复编程，以实现想要的数字逻辑功能。
之所以fpga可以实现diy，是因为其独特的架构。
fpga由可编程逻辑块（configurable logic blocks，clb）、输入/输出模块（i/o blocks，iob）、可编程互连资源（programmable interconnect resources，pir）等三种可编程电路，以及静态存储器sram共同组成。
clb是fpga中最重要的部分，是实现逻辑功能的基本单元，承载主要的电路功能。
它们通常规则排列成一个阵列（逻辑单元阵列，lca，logic cell array），散布于整个芯片中。
iob主要完成芯片上的逻辑与外部引脚的接口，通常排列在芯片的四周。
pir提供了丰富的连线资源，包括纵横网状连线、可编程开关矩阵和可编程连接点等。它们实现连接的作用，构成特定功能的电路。
静态存储器sram，用于存放内部iob、clb和pir的编程数据，并形成对它们的控制，从而完成系统逻辑功能。
clb本身，又主要由查找表（look-up table，lut）、多路复用器（multiplexer）和触发器（flip-flop）构成。它们用于承载电路中的一个个逻辑“门”，可以用来实现复杂的逻辑功能。
简单来说，我们可以把lut理解为存储了计算结果的ram。当用户描述了一个逻辑电路后，软件会计算所有可能的结果，并写入这个ram。每一个信号进行逻辑运算，就等于输入一个地址，进行查表。lut会找出地址对应的内容，返回结果。
这种“硬件化”的运算方式，显然具有更快的运算速度。
用户使用fpga时，可以通过硬件描述语言（verilog或vhdl），完成的电路设计，然后对fpga进行“编程”（烧写），将设计加载到fpga上，实现对应的功能。
加电时，fpga将eprom（可擦编程只读存储器）中的数据读入sram中，配置完成后，fpga进入工作状态。掉电后，fpga恢复成白片，内部逻辑关系消失。如此反复，就实现了“现场”定制。
fpga的功能非常强大。理论上，如果fpga提供的门电路规模足够大，通过编程，就能够实现任意asic的逻辑功能。
我们再看看fpga的发展历程。
fpga是在pal（可编程阵列逻辑）、gal（通用阵列逻辑）等可编程器件的基础上发展起来的产物，属于一种半定制电路。
它诞生于1985年，发明者是xilinx公司（赛灵思）。后来，altera（阿尔特拉）、lattice（莱迪思）、microsemi（美高森美）等公司也参与到fpga这个领域，并最终形成了四巨头的格局。
2015年5月，intel（英特尔）以167亿美元的天价收购了altera，后来收编为psg（可编程解决方案事业部）部门。
2020年，intel的竞争对手amd也不甘示弱，以350亿美元收购了xilinx。
于是，就变成了xilinx（amd旗下）、intel、lattice和microsemi四巨头（换汤不换药）。
2021年，这四家公司的市占率分别为51%、29%、7%和6%，加起来是全球总份额的93%。
不久前，2023年10月，intel宣布计划拆分psg部门，独立业务运营。
国内fpga厂商的话，包括复旦微电、紫光国微、安路科技、东土科技、高云半导体、京微齐力、京微雅格、智多晶、遨格芯等。看上去数量不少，但实际上技术差距很大。
█** asic和fpga的区别**
接下来，我们重点说说asic和fpga的区别，还有它们和cpu、gpu之间的区别。
asic和fpga，本质上都是芯片。aisc是全定制芯片，功能写死，没办法改。而fpga是半定制芯片，功能灵活，可玩性强。
我们还是可以通过一个例子，来说明两者之间的区别。
asic就是用模具来做玩具。事先要进行开模，比较费事。而且，一旦开模之后，就没办法修改了。如果要做新玩具，就必须重新开模。
而fpga呢，就像用乐高积木来搭玩具。上手就能搭，花一点时间，就可以搭好。如果不满意，或者想搭新玩具，可以拆开，重新搭。
asic与fpga的很多设计工具是相同的。在设计流程上，fpga没有asic那么复杂，去掉了一些制造过程和额外的设计验证步骤，大概只有asic流程的50%-70%。最头大的流片过程，fpga是不需要的。
这就意味着，开发asic，可能需要几个月甚至一年以上的时间。而fpga，只需要几周或几个月的时间。
刚才说到fpga不需要流片，那么，是不是意味着fpga的成本就一定比asic低呢？
不一定。
fpga可以在实验室或现场进行预制和编程，不需要一次性工程费用 （nre）。但是，作为“通用玩具”，它的成本是asic（压模玩具）的10倍。
如果生产量比较低，那么，fpga会更便宜。如果生产量高，asic的一次性工程费用被平摊，那么，asic反而便宜。
这就像开模费用。开模很贵，但是，如果销量大，开模就划算了。
如下图所示，40w片，是asic和fpga成本高低的一个分界线。产量少于40w，fpga便宜。多于40w，asic便宜。
从性能和功耗的角度来看，作为专用定制芯片，asic是比fpga强的。
fpga是通用可编辑的芯片，冗余功能比较多。不管你怎么设计，都会多出来一些部件。
前面小枣君也说了，asic是贴身定制，没什么浪费，且采用硬连线。所以，性能更强，功耗更低。
fpga和asic，不是简单的竞争和替代关系，而是各自的定位不同。
fpga现在多用于产品原型的开发、设计迭代，以及一些低产量的特定应用。它适合那些开发周期必须短的产品。fpga还经常用于asic的验证。
asic用于设计规模大、复杂度高的芯片，或者是成熟度高、产量比较大的产品。
fpga还特别适合初学者学习和参加比赛。现在很多大学的电子类专业，都在使用fpga进行教学。
从商业化的角度来看，fpga的主要应用领域是通信、国防、航空、数据中心、医疗、汽车及消费电子。
fpga在通信领域用得很早。很多基站的处理芯片（基带处理、波束赋形、天线收发器等），都是用的fpga。核心网的编码和协议加速等，也用到它。数据中心之前在dpu等部件上，也用。
后来，很多技术成熟了、定型了，通信设备商们就开始用asic替代，以此减少成本。
值得一提的是，最近这些年很热门的open ran，其实很多都是采用通用处理器（intel cpu）进行计算。这种方案的能耗远远不如fpga和asic。这也是包括华为等设备商不愿意跟进open ran的主要原因之一。
汽车和工业领域，主要是看中了fpga的时延优势，所以会用在adas（高级驾驶辅助系统）和伺服电机驱动上。
消费电子用fpga，是因为产品迭代太快。asic的开发周期太长了，等做出东西来，黄花菜都凉了。
█** fpga、asic、gpu，谁是最合适的ai芯片？**
最后，我们还是要绕回到ai芯片的话题。
上一期，小枣君埋了一个雷，说ai计算分训练和推理。训练是gpu处于绝对领先地位，而推理不是。我没有说原因。
现在，我来解释一下。
首先，大家要记住，单纯从理论和架构的角度，asic和fpga的性能和成本，肯定是优于cpu和gpu的。
cpu、gpu遵循的是冯·诺依曼体系结构，指令要经过存储、译码、执行等步骤，共享内存在使用时，要经历仲裁和缓存。
而fpga和asic并不是冯·诺依曼架构（是哈佛架构）。以fpga为例，它本质上是无指令、无需共享内存的体系结构。
fpga的逻辑单元功能在编程时已确定，属于用硬件来实现软件算法。对于保存状态的需求，fpga中的寄存器和片上内存（bram）属于各自的控制逻辑，不需要仲裁和缓存。
从alu运算单元占比来看，gpu比cpu高，fpga因为几乎没有控制模块，所有模块都是alu运算单元，比gpu更高。
所以，综合各个角度，fpga的运算速度会比gpu更快。
再看看功耗方面。
gpu的功耗，是出了名的高，单片可以达到250w，甚至450w（rtx4090）。而fpga呢，一般只有30~50w。
这主要是因为内存读取。gpu的内存接口（gddr5、hbm、hbm2）带宽极高，大约是fpga传统ddr接口的4-5倍。但就芯片本身来说，读取dram所消耗的能量，是sram的100倍以上。gpu频繁读取dram的处理，产生了极高的功耗。
另外，fpga的工作主频（500mhz以下）比cpu、gpu（1~3ghz）低，也会使得自身功耗更低。fpga的工作主频低，主要是受布线资源的限制。有些线要绕远，时钟频率高了，就来不及。
最后看看时延。
gpu时延高于fpga。
gpu通常需要将不同的训练样本，划分成固定大小的“batch（批次）”，为了最大化达到并行性，需要将数个batch都集齐，再统一进行处理。
fpga的架构，是无批次（batch-less）的。每处理完成一个数据包，就能马上输出，时延更有优势。
那么，问题来了。gpu这里那里都不如fpga和asic，为什么还会成为现在ai计算的大热门呢？
很简单，在对算力性能和规模的极致追求下，现在整个行业根本不在乎什么成本和功耗。
在英伟达的长期努力下，gpu的核心数和工作频率一直在提升，芯片面积也越来越大，属于硬刚算力。功耗靠工艺制程，靠水冷等被动散热，反而不着火就行。
除了硬件之外，上篇文章小枣君也提到，英伟达在软件和生态方面很会布局。
他们捣鼓出来的cuda，是gpu的一个核心竞争力。基于cuda，初学者都可以很快上手，进行gpu的开发。他们苦心经营多年，也形成了群众基础。
相比之下，fpga和asic的开发还是太过复杂，不适合普及。
在接口方面，虽然gpu的接口比较单一（主要是pcie），没有fpga灵活（fpga的可编程性，使其能轻松对接任何的标准和非标准接口），但对于服务器来说，足够了，插上就能用。
除了fpga之外，asic之所以在ai上干不过gpu，和它的高昂成本、超长开发周期、巨大开发风险有很大关系。现在ai算法变化很快，asic这种开发周期，很要命。
综合上述原因，gpu才有了现在的大好局面。
在ai训练上，gpu的算力强劲，可以大幅提升效率。
在ai推理上，输入一般是单个对象（图像），所以要求要低一点，也不需要什么并行，所以gpu的算力优势没那么明显。很多企业，就会开始采用更便宜、更省电的fpga或asic，进行计算。
其它一些算力场景，也是如此。看重算力绝对性能的，首选gpu。算力性能要求不那么高的，可以考虑fpga或asic，能省则省。
█** 最后的话**
关于cpu、gpu、fpga、asic的知识，就介绍到这里了。
它们是计算芯片的典型代表。人类目前所有的算力场景，基本上都是由它们在负责。
随着时代的发展，计算芯片也有了新的趋势。例如，不同算力芯片进行混搭，互相利用优势。我们管这种方式，叫做异构计算。另外，还有ibm带头搞的类脑芯片，类似于大脑的神经突触，模拟人脑的处理过程，也获得了突破，热度攀升。以后有机会，我再和大家专门介绍。
华米OV知产大咖/技术专家齐聚，共商专利池建设和运营
MES系统助力注塑企业降本增效~MES系统厂商~先达智控
松下携珠海中智公司合作共创智能影像制作的未来
开关量信号隔离器如何有效避免大多数信号干扰
如何选用智能照明控制系统
介绍计算芯片领域的两位主角—ASIC和FPGA
酸价过氧化值测定仪产品用途及功能
5g基站的电源怎么解决_5g基站的建设成本
赵伟国：紫光业务用四个字来概括，从芯到云!
水芯电子获倍思战投，助推快充行业进入数字时代
智能汽车靠不靠谱？蔚来ES8行驶中死机
福州市将完成共计30万台NB-IoT远传水表的安装工作
混合IoT平台为物联网提供简单性、灵活性和快速上市时间
莱迪思CrossLinkU-NX FPGA加速USB设计
保险丝的工作原理是什么？
有了它 AI甚至可以让你知道对方是否真的爱你？
图像分类的5种技术，总结并归纳算法、实现方式，并进行实验验证
进入5G时代，光纤光缆厂商的机遇与挑战都将并存
到底值不值得升级Wi-Fi 6
FreeRTOS-TCP软件架构详解
上篇提到，gpu的并行算力能力很强，但是它也有缺点，就是功耗高，体积大，价格贵。
进入21世纪后，算力需求呈现两个显著趋势：一，算力的使用场景，开始细分；二，用户对算力性能的要求，越来越高。通用的算力芯片，已经无法满足用户的需求。
于是，越来越多的企业，开始加强对专用计算芯片的研究和投资力度。而asic（application specific integrated circuit，专用集成电路），就是一种专用于特定任务的芯片。
asic的官方定义，是指：应特定用户的要求，或特定电子系统的需要，专门设计、制造的集成电路。
asic起步于上世纪70-80年代。早期的时候，曾用于计算机。后来，主要用于嵌入式控制。这几年，如前面所说，开始崛起，用于ai推理、高速搜索以及视觉和图像处理等。
说到asic，我们就不得不提到google公司大名鼎鼎的 tpu 。
tpu，全称tensor processing unit，张量处理单元。所谓“张量（tensor）”，是一个包含多个数字（多维数组）的数学实体。
目前，几乎所有的机器学习系统，都使用张量作为基本数据结构。所以，张量处理单元，我们可以简单理解为“ai处理单元”。
2015年，为了更好地完成自己的深度学习任务，提升ai算力，google推出了一款专门用于神经网络训练的芯片，也就是tpu v1。
相比传统的cpu和gpu，在神经网络计算方面，tpu v1可以获得1530倍的性能提升，能效提升更是达到3080倍，给行业带来了很大震动。
2017年和2018年，google又再接再厉，推出了能力更强的tpu v2和tpu v3，用于ai训练和推理。2021年，他们推出了tpu v4，采用7nm工艺，晶体管数达到220亿，性能相较上代提升了10倍，比英伟达的a100还强1.7倍。
除了google之外，还有很多大厂这几年也在捣鼓asic。
英特尔公司在2019年底收购了以色列ai芯片公司habana labs，2022年，发布了gaudi 2 asic芯片。ibm研究院，则于2022年底，发布了ai asic芯片aiu。
三星早几年也搞过asic，当时做的是矿机专用芯片。没错，很多人认识asic，就是从比特币挖矿开始的。相比gpu和cpu挖矿，asic矿机的效率更高，能耗更低。
除了tpu和矿机之外，另外两类很有名的asic芯片，是dpu和 npu 。
dpu是数据处理单元（data processing unit），主要用于数据中心。小枣君之前曾经专门介绍过，可以看这里：火遍全网的dpu，到底是个啥？
npu的话，叫做神经网络处理单元（neural processing unit），在电路层模拟人类神经元和突触，并用深度学习指令集处理数据。
npu专门用于神经网络推理，能够实现高效的卷积、池化等操作。一些手机芯片里，经常集成这玩意。
说到手机芯片，值得一提的是，我们手机现在的主芯片，也就是常说的soc芯片，其实也是一种asic芯片。
asic作为专门的定制芯片，优点体现在哪里？只是企业独享，专用logo和命名？
不是的。
定制就是量体裁衣。基于芯片所面向的专项任务，芯片的计算能力和计算效率都是严格匹配于任务算法的。芯片的核心数量，逻辑计算单元和控制单元比例，以及缓存等，整个芯片架构，也是精确定制的。
所以，定制专用芯片，可以实现极致的体积、功耗。这类芯片的可靠性、保密性、算力、能效，都会比通用芯片（cpu、gpu）更强。
大家会发现，前面我们提到的几家asic公司，都是谷歌、英特尔、ibm、三星这样的大厂。
这是因为，对芯片进行定制设计，对一家企业的研发技术水平要求极高，且耗资极为巨大。
做一款asic芯片，首先要经过代码设计、综合、后端等复杂的设计流程，再经过几个月的生产加工以及封装测试，才能拿到芯片来搭建系统。
大家都听说过“流片（tape-out）”。像流水线一样，通过一系列工艺步骤制造芯片，就是流片。简单来说，就是试生产。
asic的研发过程是需要流片的。14nm工艺，流片一次需要300万美元左右。5nm工艺，更是高达4725万美元。
流片一旦失败，钱全部打水漂，还耽误了大量的时间和精力。一般的小公司，根本玩不起。
那么，是不是小公司就无法进行芯片定制了呢？
当然不是。接下来，就轮到另一个神器出场了，那就是——fpga。
█** fpga（现场可编程门阵列）**
fpga，英文全称field programmable gate array，现场可编程门阵列。
fpga这些年在行业里很火，势头比asic还猛，甚至被人称为 “万能芯片” 。
其实，简单来说，fpga就是可以重构的芯片。它可以根据用户的需要，在制造后，进行无限次数的重复编程，以实现想要的数字逻辑功能。
之所以fpga可以实现diy，是因为其独特的架构。
fpga由可编程逻辑块（configurable logic blocks，clb）、输入/输出模块（i/o blocks，iob）、可编程互连资源（programmable interconnect resources，pir）等三种可编程电路，以及静态存储器sram共同组成。
clb是fpga中最重要的部分，是实现逻辑功能的基本单元，承载主要的电路功能。
它们通常规则排列成一个阵列（逻辑单元阵列，lca，logic cell array），散布于整个芯片中。
iob主要完成芯片上的逻辑与外部引脚的接口，通常排列在芯片的四周。
pir提供了丰富的连线资源，包括纵横网状连线、可编程开关矩阵和可编程连接点等。它们实现连接的作用，构成特定功能的电路。
静态存储器sram，用于存放内部iob、clb和pir的编程数据，并形成对它们的控制，从而完成系统逻辑功能。
clb本身，又主要由查找表（look-up table，lut）、多路复用器（multiplexer）和触发器（flip-flop）构成。它们用于承载电路中的一个个逻辑“门”，可以用来实现复杂的逻辑功能。
简单来说，我们可以把lut理解为存储了计算结果的ram。当用户描述了一个逻辑电路后，软件会计算所有可能的结果，并写入这个ram。每一个信号进行逻辑运算，就等于输入一个地址，进行查表。lut会找出地址对应的内容，返回结果。
这种“硬件化”的运算方式，显然具有更快的运算速度。
用户使用fpga时，可以通过硬件描述语言（verilog或vhdl），完成的电路设计，然后对fpga进行“编程”（烧写），将设计加载到fpga上，实现对应的功能。
加电时，fpga将eprom（可擦编程只读存储器）中的数据读入sram中，配置完成后，fpga进入工作状态。掉电后，fpga恢复成白片，内部逻辑关系消失。如此反复，就实现了“现场”定制。
fpga的功能非常强大。理论上，如果fpga提供的门电路规模足够大，通过编程，就能够实现任意asic的逻辑功能。
我们再看看fpga的发展历程。
fpga是在pal（可编程阵列逻辑）、gal（通用阵列逻辑）等可编程器件的基础上发展起来的产物，属于一种半定制电路。
它诞生于1985年，发明者是xilinx公司（赛灵思）。后来，altera（阿尔特拉）、lattice（莱迪思）、microsemi（美高森美）等公司也参与到fpga这个领域，并最终形成了四巨头的格局。
2015年5月，intel（英特尔）以167亿美元的天价收购了altera，后来收编为psg（可编程解决方案事业部）部门。
2020年，intel的竞争对手amd也不甘示弱，以350亿美元收购了xilinx。
于是，就变成了xilinx（amd旗下）、intel、lattice和microsemi四巨头（换汤不换药）。
2021年，这四家公司的市占率分别为51%、29%、7%和6%，加起来是全球总份额的93%。
不久前，2023年10月，intel宣布计划拆分psg部门，独立业务运营。
国内fpga厂商的话，包括复旦微电、紫光国微、安路科技、东土科技、高云半导体、京微齐力、京微雅格、智多晶、遨格芯等。看上去数量不少，但实际上技术差距很大。
█** asic和fpga的区别**
接下来，我们重点说说asic和fpga的区别，还有它们和cpu、gpu之间的区别。
asic和fpga，本质上都是芯片。aisc是全定制芯片，功能写死，没办法改。而fpga是半定制芯片，功能灵活，可玩性强。
我们还是可以通过一个例子，来说明两者之间的区别。
asic就是用模具来做玩具。事先要进行开模，比较费事。而且，一旦开模之后，就没办法修改了。如果要做新玩具，就必须重新开模。
而fpga呢，就像用乐高积木来搭玩具。上手就能搭，花一点时间，就可以搭好。如果不满意，或者想搭新玩具，可以拆开，重新搭。
asic与fpga的很多设计工具是相同的。在设计流程上，fpga没有asic那么复杂，去掉了一些制造过程和额外的设计验证步骤，大概只有asic流程的50%-70%。最头大的流片过程，fpga是不需要的。
这就意味着，开发asic，可能需要几个月甚至一年以上的时间。而fpga，只需要几周或几个月的时间。
刚才说到fpga不需要流片，那么，是不是意味着fpga的成本就一定比asic低呢？
不一定。
fpga可以在实验室或现场进行预制和编程，不需要一次性工程费用 （nre）。但是，作为“通用玩具”，它的成本是asic（压模玩具）的10倍。
如果生产量比较低，那么，fpga会更便宜。如果生产量高，asic的一次性工程费用被平摊，那么，asic反而便宜。
这就像开模费用。开模很贵，但是，如果销量大，开模就划算了。
如下图所示，40w片，是asic和fpga成本高低的一个分界线。产量少于40w，fpga便宜。多于40w，asic便宜。
从性能和功耗的角度来看，作为专用定制芯片，asic是比fpga强的。
fpga是通用可编辑的芯片，冗余功能比较多。不管你怎么设计，都会多出来一些部件。
前面小枣君也说了，asic是贴身定制，没什么浪费，且采用硬连线。所以，性能更强，功耗更低。
fpga和asic，不是简单的竞争和替代关系，而是各自的定位不同。
fpga现在多用于产品原型的开发、设计迭代，以及一些低产量的特定应用。它适合那些开发周期必须短的产品。fpga还经常用于asic的验证。
asic用于设计规模大、复杂度高的芯片，或者是成熟度高、产量比较大的产品。
fpga还特别适合初学者学习和参加比赛。现在很多大学的电子类专业，都在使用fpga进行教学。
从商业化的角度来看，fpga的主要应用领域是通信、国防、航空、数据中心、医疗、汽车及消费电子。
fpga在通信领域用得很早。很多基站的处理芯片（基带处理、波束赋形、天线收发器等），都是用的fpga。核心网的编码和协议加速等，也用到它。数据中心之前在dpu等部件上，也用。
后来，很多技术成熟了、定型了，通信设备商们就开始用asic替代，以此减少成本。
值得一提的是，最近这些年很热门的open ran，其实很多都是采用通用处理器（intel cpu）进行计算。这种方案的能耗远远不如fpga和asic。这也是包括华为等设备商不愿意跟进open ran的主要原因之一。
汽车和工业领域，主要是看中了fpga的时延优势，所以会用在adas（高级驾驶辅助系统）和伺服电机驱动上。
消费电子用fpga，是因为产品迭代太快。asic的开发周期太长了，等做出东西来，黄花菜都凉了。
█** fpga、asic、gpu，谁是最合适的ai芯片？**
最后，我们还是要绕回到ai芯片的话题。
上一期，小枣君埋了一个雷，说ai计算分训练和推理。训练是gpu处于绝对领先地位，而推理不是。我没有说原因。
现在，我来解释一下。
首先，大家要记住，单纯从理论和架构的角度，asic和fpga的性能和成本，肯定是优于cpu和gpu的。
cpu、gpu遵循的是冯·诺依曼体系结构，指令要经过存储、译码、执行等步骤，共享内存在使用时，要经历仲裁和缓存。
而fpga和asic并不是冯·诺依曼架构（是哈佛架构）。以fpga为例，它本质上是无指令、无需共享内存的体系结构。
fpga的逻辑单元功能在编程时已确定，属于用硬件来实现软件算法。对于保存状态的需求，fpga中的寄存器和片上内存（bram）属于各自的控制逻辑，不需要仲裁和缓存。
从alu运算单元占比来看，gpu比cpu高，fpga因为几乎没有控制模块，所有模块都是alu运算单元，比gpu更高。
所以，综合各个角度，fpga的运算速度会比gpu更快。
再看看功耗方面。
gpu的功耗，是出了名的高，单片可以达到250w，甚至450w（rtx4090）。而fpga呢，一般只有30~50w。
这主要是因为内存读取。gpu的内存接口（gddr5、hbm、hbm2）带宽极高，大约是fpga传统ddr接口的4-5倍。但就芯片本身来说，读取dram所消耗的能量，是sram的100倍以上。gpu频繁读取dram的处理，产生了极高的功耗。
另外，fpga的工作主频（500mhz以下）比cpu、gpu（1~3ghz）低，也会使得自身功耗更低。fpga的工作主频低，主要是受布线资源的限制。有些线要绕远，时钟频率高了，就来不及。
最后看看时延。
gpu时延高于fpga。
gpu通常需要将不同的训练样本，划分成固定大小的“batch（批次）”，为了最大化达到并行性，需要将数个batch都集齐，再统一进行处理。
fpga的架构，是无批次（batch-less）的。每处理完成一个数据包，就能马上输出，时延更有优势。
那么，问题来了。gpu这里那里都不如fpga和asic，为什么还会成为现在ai计算的大热门呢？
很简单，在对算力性能和规模的极致追求下，现在整个行业根本不在乎什么成本和功耗。
在英伟达的长期努力下，gpu的核心数和工作频率一直在提升，芯片面积也越来越大，属于硬刚算力。功耗靠工艺制程，靠水冷等被动散热，反而不着火就行。
除了硬件之外，上篇文章小枣君也提到，英伟达在软件和生态方面很会布局。
他们捣鼓出来的cuda，是gpu的一个核心竞争力。基于cuda，初学者都可以很快上手，进行gpu的开发。他们苦心经营多年，也形成了群众基础。
相比之下，fpga和asic的开发还是太过复杂，不适合普及。
在接口方面，虽然gpu的接口比较单一（主要是pcie），没有fpga灵活（fpga的可编程性，使其能轻松对接任何的标准和非标准接口），但对于服务器来说，足够了，插上就能用。
除了fpga之外，asic之所以在ai上干不过gpu，和它的高昂成本、超长开发周期、巨大开发风险有很大关系。现在ai算法变化很快，asic这种开发周期，很要命。
综合上述原因，gpu才有了现在的大好局面。
在ai训练上，gpu的算力强劲，可以大幅提升效率。
在ai推理上，输入一般是单个对象（图像），所以要求要低一点，也不需要什么并行，所以gpu的算力优势没那么明显。很多企业，就会开始采用更便宜、更省电的fpga或asic，进行计算。
其它一些算力场景，也是如此。看重算力绝对性能的，首选gpu。算力性能要求不那么高的，可以考虑fpga或asic，能省则省。
█** 最后的话**
关于cpu、gpu、fpga、asic的知识，就介绍到这里了。
它们是计算芯片的典型代表。人类目前所有的算力场景，基本上都是由它们在负责。
随着时代的发展，计算芯片也有了新的趋势。例如，不同算力芯片进行混搭，互相利用优势。我们管这种方式，叫做异构计算。另外，还有ibm带头搞的类脑芯片，类似于大脑的神经突触，模拟人脑的处理过程，也获得了突破，热度攀升。以后有机会，我再和大家专门介绍。
华米OV知产大咖/技术专家齐聚，共商专利池建设和运营
MES系统助力注塑企业降本增效~MES系统厂商~先达智控
松下携珠海中智公司合作共创智能影像制作的未来
开关量信号隔离器如何有效避免大多数信号干扰
如何选用智能照明控制系统
介绍计算芯片领域的两位主角—ASIC和FPGA
酸价过氧化值测定仪产品用途及功能
5g基站的电源怎么解决_5g基站的建设成本
赵伟国：紫光业务用四个字来概括，从芯到云!
水芯电子获倍思战投，助推快充行业进入数字时代
智能汽车靠不靠谱？蔚来ES8行驶中死机
福州市将完成共计30万台NB-IoT远传水表的安装工作
混合IoT平台为物联网提供简单性、灵活性和快速上市时间
莱迪思CrossLinkU-NX FPGA加速USB设计
保险丝的工作原理是什么？
有了它 AI甚至可以让你知道对方是否真的爱你？
图像分类的5种技术，总结并归纳算法、实现方式，并进行实验验证
进入5G时代，光纤光缆厂商的机遇与挑战都将并存
到底值不值得升级Wi-Fi 6
FreeRTOS-TCP软件架构详解