从人工智能算法模型和指数级成本变化分析FPGA的未来发展

【产业链图谱 | 人工智能产业链图谱_人工智能产业链全景图】

【研究报告 | 人工智能行业研究报告】

      受到半导体工艺技术的影响，FPGA也迎来了自己的技术突破。通过对FPGA器件的发展，我们能够推理出未来FPGA的发展方向。

　　1. 高密度、高速度、宽频带、高保密;

　　2. 低电压、低功耗、低成本、低价格;

　　3. IP软/硬核复用、系统集成;

　　4. 动态可重构以及单片集群;

　　5. 紧密结合应用需求，多元化发展。

　　集成了FPGA 架构、硬核CPU 子系统和其他的硬核IP芯片的应用范围会更加广阔，这也为进行FPGA的研究提供了新的设计思路，设计人员能够基于芯片的应用，在有专利保护的架构上搭建FPGA的功能模块，完成具有更高性价比的芯片产品。 从技术方面分析，GPU、FPGA 和 ASIC都有自己的特点，但是在进行实际的应用时，GPU的先发优势更好。

　　近两年，全球七大超级云计算数据中心包括 IBM、Facebook、微软、AWS 以及 BAT都采用了 FPGA 服务器。在这方面，中国和美国处以同一起跑线，FPGA 实现了在全球七大数据中心的部署。

　　从当前的FPGA行业发展，我们可以预测FPGA的发展方向：

　　人工智能算法正在快速迭代阶段。ASIC 芯片虽然能够实现最优性能，即面积利用率高、速度快、功耗低;但ASIC 芯片的研发周期很长，同时成本极高，需要足够大的市场来支撑成本投入，现在只有极少数公司进行了该项研究尝试。

　　而人工智能算法模型开始从训练环节向推理环节过渡，这种趋势对FPGA的发展十分有利。人工智能算法模型训练出的算法模型往往呈现规模太大，复杂度太高的特点，无法直接进行实际应用部署。为了解决这个问题，人工智能算法模型趋向于将训练后的模型进行压缩，再应用到推理环节。

　　人工智能算法正处于快速迭代中，能够在几乎没有预测精度损失的情况下将 LSTM 模型的尺寸压缩 20 倍。在算法能够带来数量级的性能提升下，想要将算法固化在 ASIC 中来获得效率提升的想法并不实际，如果采用搭建在 FPGA 上的硬件框架 ESE，就能获得高一个数量级的能量效率提升。ESE 的速度为英特尔 Core i7 5930k CPU 的 43 倍，英伟达 Pascal Titan X GPU 的 3 倍。它的能量效率分别为以上两种处理器的 40 倍和 11.5 倍。采用 FPGA 搭建硬件框架充分发挥了 FPGA 万能芯片的特性，性能远超 GPU 等。

　　集成电路行业一直呈现一家独大的市场现状，但是在后期发展中，随着芯片的制程工艺提升，芯片NRE 费用在呈现指数级上升。但是FPGA 的 NRE 成本可以摊到上千个小项目上，从而让每个项目只分担几十万美元的 NRE。

　　随着芯片的 NRE 费用不断呈现上升趋势，也就会有越来越多的 ASIC 芯片达不到规模经济而失去市场，从而投入到FPGA 的研究，指数级成本上涨对FPGA是有益的。