由腾讯云基础产品中心、腾讯架构平台部组成的腾讯云FPGA联合团队在这里向读者分享，传统FPGA存在什么样的问题、FPGA与其他计算硬件平台的区别是什么？腾讯云FPGA的价值和应用案例有哪些？

　　FPGA诞生至今已有30余年，此前主要应用于大型互联网和科技公司，但是并没有被普及应用。1 月 20 日，腾讯云推出国内首款高性能异构计算基础设施——FPGA 云服务器，将以云服务方式将大型公司才能长期支付使用的 FPGA 普及到更多企业，企业只需支付相当于通用CPU约40%的费用，性能可提升至通用CPU服务器的30倍以上。

　　行业背景

　　随着 AI 这股热潮的发展，业界对人工智能发展的热情逐渐高涨，人工智能也成为了未来发展的趋势。中小型企业也期望搭上人工智能这辆列车。FPGA能够从底层开始变革人工智能的设计逻辑，推动全行业在人工智能领域的创新步伐。

　　不过，过去中小企业部署 FPGA 面临诸多问题：FPGA 硬件成本高、灵活性差、一次性采购投入大，需要高昂的费用和巨大精力进行 FPGA 的定制和采购， FPGA 硬件交易价格不透明，为保障服务稳定需高额的运维 IT 成本，并需配备相应的硬件工程师和软件工程师。

　　同时企业接下来还会面临 FPGA 芯片更新换代带来的资源闲置流转问题。虽然 FPGA 知识产权(FPGA IP，FPGA Intellectual Property)提供了业务所需的硬件加速功能，但研发周期长，研发投入和风险高，令诸多企业望而却步。

　　FPGA 是什么

　　人工智能包括三个要素：算法，计算和数据。人工智能算法目前最主流的是深度学习。计算所对应的硬件平台有：CPU、GPU、FPGA、ASIC。由于移动互联网的到来，用户每天产生大量的数据被入口应用收集：搜索(百度)、通讯(QQ、微信)。我们的 QQ、微信业务，用户每天产生的图片数量都是数亿级别，如果我们把这些用户产生的数据看成矿藏的话，计算所对应的硬件平台看成挖掘机，挖掘机的挖掘效率就是各个计算硬件平台对比的标准。

　　通用处理器（CPU）可提供高度的灵活性和易用性，可以低廉的价格生产，并且适用于多种用途和重复使用。但性能相对缺乏效率。

　　专用集成电路（ASIC）可提供高性能，但代价是不够灵活且生产难度更大。这些电路专用于某特定的应用程序，并且生产起来价格昂贵且耗时。

　　从灵活性而言，介于 CPU 和 ASIC 两者之间的处理器，使用比较多的异构处理器目前有两个，一个是 GPU，一个是 FPGA。

　　FPGA 属于一类更通用的可编程逻辑设备（PLD）， FPGA 既能提供集成电路的性能优势，又具备 CPU 可重新配置的灵活性。简单来说，FPGA 是一种可重新配置的「通用集成电路」。

　　GPU 的灵活性是介于 FPGA 与 CPU 之间。GPU 的核心数量一般是 CPU 的成百上千倍，计算能力要比 CPU 多出几个数量级，也更适合进行并行计算。但是如果计算里面有大量的分支，或者算法的数据前后存在依赖关系，使得算法无法并行运行，则 GPU 的性能优势会被大大减弱。

　　相比 GPU，FPGA 的可操控粒度更小，具备更高的灵活度和算法适应性。FPGA 能够简单地通过使用触发器（FF）来实现顺序逻辑，并通过使用查找表（LUT）来实现组合逻辑。当算法需要并行计算能力时，可以将大部分的逻辑资源都用来做计算，达到更高的计算效率；当算法需要更多的控制流程时，可以将大部分的逻辑资源都用来做控制。（实际的 FPGA 内部也存在大量的硬核来完成固定的功能）。正是基于 FPGA 资源的高可控度，可以带来算法实现时的灵活度。

　　FPGA 全称「可编辑门阵列」(Field Programmable Gate Array)，其基本原理是在 FPGA 芯片内集成大量的数字电路基本门电路以及存储器，而用户可以通过烧写 FPGA 配置文件来来定义这些门电路以及存储器之间的连线。这种烧入不是一次性的，即用户今天可以把 FPGA 配置成一个图像编解码器，明天可以编辑配置文件把同一个 FPGA 配置成一个音频编解码器，这个特性可以极大地提高数据中心弹性服务能力。所以说在 FPGA 可以快速实现为深度学习算法开发的芯片架构，而且成本比设计的专用芯片(ASIC)要便宜，当然性能也没有专用芯片(ASIC)强。ASIC 是一锤子买卖，设计出来要是发现哪里不对基本就没机会改了，但是 FPGA 可以通过重新配置来不停地试错知道获得最佳方案，所以用 FPGA 开发的风险也远远小于 ASIC。

　　腾讯云FPGA的行业价值