当时 Burger 47 岁，Putnam 39 岁，两人过去都是学者。Burger 曾在特克萨斯大学奥斯汀分校担任计算机科学教授，他在那里工作了 9 年，专攻微处理器，还设计了一款名为 EDGE 的新型芯片。Putnam 曾在华盛顿大学工作 5 年，担任研究员并主要从事 FPGA 研究。当时可编程芯片已经存在了好几十年，但它们大多被当作处理器的一部分。2009 年 Burger 将 Putnam 挖到微软，两人开始探索用可编程芯片提升线上服务速度的方法。

　　Project Catapult V1，即 Doug Burger 团队曾在微软西雅图数据中心测试过的版本

　　微软的搜索引擎是一个依靠成千上万台机器运行的在线服务。每台机器都需要靠 CPU 驱动，尽管英特尔等公司不断改进它们，这些芯片还是跟不上软件更新的脚步。很大程度上，是因为人工智能浪潮的来临。

　　Bing 搜索等服务已经超出了摩尔定律预言的处理器能力，即每 18 个月处理器上晶体管的数量翻一倍。事实还证明增加 CPU 并不能解决问题。

　　但同时，为新出现的需求制造专用芯片，成本是非常昂贵的。恰好 FPGA 能弥补这个不足，Bing 决定让工程师制造运行更快、比流水线生产的通用 CPU 能耗更少、同时可定制的芯片，从而解决不断更新的技术和商业模式变化所产生的种种难题。

　　圣诞节后的会面中，Burger 为必应高管们拿出了一套用 FPGA 提升搜索速度，同时功耗较低的方法。高管们不置可否。在接下来的几个月中，Burger 团队根据 Putnam 圣诞节时画出的草图构建了原型，证明其运行必应的机器学习算法时速度可以提升 100 倍。「那时他们才表现出浓厚兴趣」，当时的团队成员、现瑞士洛桑联邦理工学院院长 Jim Larus 告诉我们，「但同样也是艰难时光的开始。」

　　原型是一个使用六个 FPGA 的专用盒，由一整个机架的服务器共享。如果盒子吱吱作响，表明它们需要更多 FPGA——考虑到机器学习模型的复杂性需求会越来越大——这些机器就会停止工作。必应的工程师非常厌恶这件事。「但他们没错，」Larus 说。

　　正是这个原型吸引了陆奇。他给了 Burger 足够的资金，可以在 1600 台服务器上装配 FPGA 并进行测试。在中国和台湾硬件制造商的帮助下，团队花费半年时间制造出了硬件产品，并在微软数据中心的一组机架上进行测试。但一天晚上灭火系统出现了问题。他们花了三天时间修复机架——它仍能工作。

　　在 2013 年到 2014 年的几个月中，测试显示必应「决策树」机器学习算法在新芯片的帮助下，可以提升 40 倍运行速度。2014 年夏天，微软公开表示要很快要将这些硬件应用到必应实时数据中心。但是在那之后，微软暂停了。

　　| 除了Bing 搜索之外，还有……

　　几年前，Bing 在微软线上的发展中一直占据主要地位，开奖，直到 2015 年，另外的两个主要在线服务出现：一个是商务应用套件 Office 365 ，一个是云计算服务 Microsoft Azure。

　　微软高层和其他对手都意识到，想运营好一个不断发展的线上帝国，唯一有效的办法就是在同样的基础上运营所有的服务。如果 Project Catapult 要使微软转型， Bing 也逃不掉。因为它也要在 Azure 和 Office 365 内部工作。

　　问题是，Azure 的高官们并不在乎加速机器学习这件事。他们需要网络的帮助。Azure 数据中心的流量跳动增长的太快，服务的 CPU 必须得跟上他们的脚步。而像 Azure 首席架构师 Mark Russinovich 这样的人则看到了 Catapult 解决这些问题的潜力，但解决问题的方式和为 Bing 设计的有所不同。他的团队需要可编程的芯片，然后将每个服务器连接到主要网络上，这样他们就能在数据流量到达服务器之前就开始处理了。

　　FPGA 架构的第一代原型是一个被一架服务器共享的单个盒子（Version 0），

　　然后该团队转向为每个服务器设计自己的 FPGA（Version 1），将芯片放到服务器和整体网络之间

　　因此，FPGA 的研究者们需要自己开发硬件。在第三代原型中，芯片位于每个服务器的边缘，能直接插入到网络，但仍旧设计了任何机器都可接入的 FPGA 池。看起来，Office 365 也可以用它了。终于，一切都准备好，Project Catapult 可以上线了。