AI进入爆发期，千亿芯片市场空间

FPGA无指令、无共享内存，并行计算效率高。CPU、GPU都属于冯·诺依曼结构，需要指令译码执行、共享内存，是传统意义上的"软件编程"。而FPGA每个逻辑单元的功能在重编程（烧写）时就已经确定，不需要指令，属于"硬件编程"；FPGA每个逻辑单元与周围逻辑单元的连接在重编程时就已经确定，也不需要通过共享内存来通信。FPGA利用硬件并行的优势，打破顺序执行的模式，因此在每个时钟周期内完成更多的处理任务，执行效率大幅提高。

FPGA相对CPU、GPU能耗优势明显。一方面，由于是直接烧录成专用电路，FPGA没有存取指令和指令译码操作，因此功耗优势明显。Intel的CPU指令译码就占整个芯片能耗的50%；在GPU里面，取指令和译码也消耗了10%～20%的功耗。另一方面，FPGA的主频比CPU与GPU低很多，通常CPU与GPU都在1GHz到3GHz之间，而FPGA主频一般在500MHz以下。微软研究院2010年分析了CPU、GPU以及FPGA对矩阵运算的底层库相同运算的加速性能以及能耗，对比执行GaxPy算法（一种常用矩阵算法）每次迭代的时间和能耗，结论是FPGA、GPU相对于CPU的加速比优势明显，与此同时FPGA的能耗仅是CPU与GPU的8%左右。

对于计算/通信密集型任务，FPGA比CPU、GPU延迟低。FPGA同时可拥有流水线并行和数据并行，而GPU几乎只有数据并行（流水线深度受限）。当任务是逐个而非成批到达的时候，流水线并行比数据并行可实现更低的延迟，FPGA比GPU天生有延迟方面的优势。对于通信密集型任务，FPGA相比CPU、GPU的低延迟优势更明显。使用FPGA和ASIC等低延迟和高吞吐量的硬件，运行在网络的最低层，保证所有数据以安全及时的方式传输，能够提高网络可靠性并节省负载。

灵活性和效率的折衷，适应数据中心不断变化的算法。FPGA在数据中心最大的特点就在高吞吐的同时能做到低延时。FPGA内部的资源都是可以重配置的，因此它可以很容易进行数据并行和流水并行，且易于在数据并行和流水并行之间平衡。而GPU几乎只能做数据并行。与ASIC相比，FPGA的可编程性体现出很大的优势。现在数据中心的各种算法每时每刻都在更新变化，没有足够稳定的时间让ASIC完成长周期的开发。比如在一种神经网络模型出来之后开始把它做成ASIC，也许还未投片生产，这个神经网络模型已经被另一种神经网络模型所替代。另一方面，FPGA可以在不同的业务需求之间做平衡。比如说白天用于为搜索业务排序的机器；在晚上请求很少的情况下，可以将这些FPGA重新配置成离线数据分析的功能，提供对离线数据进行分析的服务。目前腾讯云和百度云都大量部署FPGA在数据中心的服务器用于加速。

可编程性会导致面积和功耗冗余，长期看在云端比终端应用更广泛。FPGA的工作模式，决定了需要预先布置大量门阵列以满足用户的设计需求，因此有"以面积换速度"的说法：使用大量的门电路阵列，消耗更多的FPGA内核资源，用来提升整个系统的运行速度。因此，FPGA的可编程性和灵活性必然会导致一定程度上的面积和功耗冗余，但很多场景中可编程性收益远高于冗余成本，这些场景往往在云端更多。因为终端只做"推理"，特定场景算法更为固定，成本要求也更高，因此FPGA在终端最终会被ASIC取代。

3.3 市场空间：紧随GPU受益云端数据中心市场爆发，2020年规模或达20亿美元

FPGA数据中心业务将紧随GPU爆发，预计未来5年潜在市场空间达20亿美元。据 Gartner 统计， 2014 年全球 FPGA 市场规模达到 50 亿美元，2015-2020 年的年均复合增长率为9%，到 2020 年将达到 84 亿美元。FPGA 高性能、低能耗以及可硬件编程的特点使其适用范围得以扩大。据Synergy Research Group数据，2016年底超大规模提供商运营的大型数据中心的数量已突破300个，预计到2018年大型数据中心将超过400个。数据中心的快速发展必然拉动FPGA市场增长，我们预计用于数据中心的FPGA市场规模在2020年将达到20亿美元。

数据中心"瑜亮之争"：既有GPU，还需FPGA？由于FPGA是硬件语言编程，需要耗费芯片设计工程师资源做上层软件算法的底层硬件的"影射"，加之目前性能、成本上综合来看还是GPU更好，所以GPU是目前数据中心主流。但未来FPGA在数据中心业务中前景光明，原因有两点：第一，云巨头企业本质上希望其算法优化从硬件底层起就可实现，而并非完全受控于英伟达GPU的编译和运行性能，为未来底层硬件的自身完全定制化（做自己的ASIC）做准备，所以部分云厂商愿意面向未来，在FPGA开发上投入成本；第二，FPGA功耗特性较GPU好很多，数据中心业务运算量巨大，未来必须考虑功耗问题，如下表