到底什么是ASIC和FPGA

進入21世紀后，算力需求呈現(xiàn)兩個顯著趨勢：一，算力的使用場景，開始細分；二，用戶對算力性能的要求，越來越高。通用的算力芯片，已經(jīng)無法滿足用戶的需求。于是，越來越多的企業(yè)，開始加強對專用計算芯片的研究和投資力度。而ASIC（ApplicationSpecificIntegratedCircuit，專用集成電路），就是一種專用于特定任務的芯片。ASIC的官方定義，是指：應特定用戶的要求，或特定電子系統(tǒng)的需要，專門設計、制造的集成電路。ASIC起步于上世紀70-80年代。早期的時候，曾用于計算機。后來，主要用于嵌入式控制。這幾年，如前面所說，開始崛起，用于AI推理、高速搜索以及視覺和圖像處理等。說到ASIC，我們就不得不提到Google公司大名鼎鼎的TPU。TPU，全稱TensorProcessingUnit，張量處理單元。所謂“張量（tensor）”，是一個包含多個數(shù)字（多維數(shù)組）的數(shù)學實體。目前，幾乎所有的機器學習系統(tǒng)，都使用張量作為基本數(shù)據(jù)結構。所以，張量處理單元，我們可以簡單理解為“AI處理單元”。2015年，為了更好地完成自己的深度學習任務，提升AI算力，Google推出了一款專門用于神經(jīng)網(wǎng)絡訓練的芯片，也就是TPUv1。相比傳統(tǒng)的CPU和GPU，在神經(jīng)網(wǎng)絡計算方面，TPUv1可以獲得15~30倍的性能提升，能效提升更是達到30~80倍，給行業(yè)帶來了很大震動。2017年和2018年，Google又再接再厲，推出了能力更強的TPUv2和TPUv3，用于AI訓練和推理。2021年，他們推出了TPUv4，采用7nm工藝，晶體管數(shù)達到220億，性能相較上代提升了10倍，比英偉達的A100還強1.7倍。除了Google之外，還有很多大廠這幾年也在搗鼓ASIC。英特爾公司在2019年底收購了以色列AI芯片公司HabanaLabs，2022年，發(fā)布了Gaudi2ASIC芯片。IBM研究院，則于2022年底，發(fā)布了AIASIC芯片AIU。三星早幾年也搞過ASIC，當時做的是礦機專用芯片。沒錯，很多人認識ASIC，就是從比特幣挖礦開始的。相比GPU和CPU挖礦，ASIC礦機的效率更高，能耗更低。ASIC礦機除了TPU和礦機之外，另外兩類很有名的ASIC芯片，是DPU和NPU。DPU是數(shù)據(jù)處理單元（DataProcessingUnit），主要用于數(shù)據(jù)中心。小棗君之前曾經(jīng)專門介紹過，可以看這里：火遍全網(wǎng)的DPU，到底是個啥？NPU的話，叫做神經(jīng)網(wǎng)絡處理單元（NeuralProcessingUnit），在電路層模擬人類神經(jīng)元和突觸，并用深度學習指令集處理數(shù)據(jù)。NPU專門用于神經(jīng)網(wǎng)絡推理，能夠實現(xiàn)高效的卷積、池化等操作。一些手機芯片里，經(jīng)常集成這玩意。說到手機芯片，值得一提的是，我們手機現(xiàn)在的主芯片，也就是常說的SoC芯片，其實也是一種ASIC芯片。手機SoC芯片ASIC作為專門的定制芯片，優(yōu)點體現(xiàn)在哪里？只是企業(yè)獨享，專用logo和命名？不是的。定制就是量體裁衣?；谛酒嫦虻膶ｍ椚蝿眨酒挠嬎隳芰陀嬎阈识际菄栏衿ヅ溆谌蝿账惴ǖ?。芯片的核心數(shù)量，邏輯計算單元和控制單元比例，以及緩存等，整個芯片架構，也是精確定制的。所以，定制專用芯片，可以實現(xiàn)極致的體積、功耗。這類芯片的可靠性、保密性、算力、能效，都會比通用芯片（CPU、GPU）更強。大家會發(fā)現(xiàn)，前面我們提到的幾家ASIC公司，都是谷歌、英特爾、IBM、三星這樣的大廠。這是因為，對芯片進行定制設計，對一家企業(yè)的研發(fā)技術水平要求極高，且耗資極為巨大。做一款ASIC芯片，首先要經(jīng)過代碼設計、綜合、后端等復雜的設計流程，再經(jīng)過幾個月的生產(chǎn)加工以及封裝測試，才能拿到芯片來搭建系統(tǒng)。大家都聽說過“流片（Tape-out）”。像流水線一樣，通過一系列工藝步驟制造芯片，就是流片。簡單來說，就是試生產(chǎn)。ASIC的研發(fā)過程是需要流片的。14nm工藝，流片一次需要300萬美元左右。5nm工藝，更是高達4725萬美元。流片一旦失敗，錢全部打水漂，還耽誤了大量的時間和精力。一般的小公司，根本玩不起。那么，是不是小公司就無法進行芯片定制了呢？當然不是。接下來，就輪到另一個神器出場了，那就是——FPGA。02FPGA（現(xiàn)場可編程門陣列）FPGA，英文全稱FieldProgrammableGateArray，現(xiàn)場可編程門陣列。FPGA這些年在行業(yè)里很火，勢頭比ASIC還猛，甚至被人稱為“萬能芯片”。其實，簡單來說，F(xiàn)PGA就是可以重構的芯片。它可以根據(jù)用戶的需要，在制造后，進行無限次數(shù)的重復編程，以實現(xiàn)想要的數(shù)字邏輯功能。之所以FPGA可以實現(xiàn)DIY，是因為其獨特的架構。FPGA由可編程邏輯塊（ConfigurableLogicBlocks，CLB）、輸入/輸出模塊（I/OBlocks，IOB）、可編程互連資源（ProgrammableInterconnectResources，PIR）等三種可編程電路，以及靜態(tài)存儲器SRAM共同組成。CLB是FPGA中最重要的部分，是實現(xiàn)邏輯功能的基本單元，承載主要的電路功能。它們通常規(guī)則排列成一個陣列（邏輯單元陣列，LCA，LogicCellArray），散布于整個芯片中。IOB主要完成芯片上的邏輯與外部引腳的接口，通常排列在芯片的四周。PIR提供了豐富的連線資源，包括縱橫網(wǎng)狀連線、可編程開關矩陣和可編程連接點等。它們實現(xiàn)連接的作用，構成特定功能的電路。靜態(tài)存儲器SRAM，用于存放內(nèi)部IOB、CLB和PIR的編程數(shù)據(jù)，并形成對它們的控制，從而完成系統(tǒng)邏輯功能。CLB本身，又主要由查找表（Look-UpTable，LUT）、多路復用器（Multiplexer）和觸發(fā)器（Flip-Flop）構成。它們用于承載電路中的一個個邏輯“門”，可以用來實現(xiàn)復雜的邏輯功能。簡單來說，我們可以把LUT理解為存儲了計算結果的RAM。當用戶描述了一個邏輯電路后，軟件會計算所有可能的結果，并寫入這個RAM。每一個信號進行邏輯運算，就等于輸入一個地址，進行查表。LUT會找出地址對應的內(nèi)容，返回結果。這種“硬件化”的運算方式，顯然具有更快的運算速度。用戶使用FPGA時，可以通過硬件描述語言（Verilog或VHDL），完成的電路設計，然后對FPGA進行“編程”（燒寫），將設計加載到FPGA上，實現(xiàn)對應的功能。加電時，F(xiàn)PGA將EPROM（可擦編程只讀存儲器）中的數(shù)據(jù)讀入SRAM中，配置完成后，F(xiàn)PGA進入工作狀態(tài)。掉電后，F(xiàn)PGA恢復成白片，內(nèi)部邏輯關系消失。如此反復，就實現(xiàn)了“現(xiàn)場”定制。FPGA的功能非常強大。理論上，如果FPGA提供的門電路規(guī)模足夠大，通過編程，就能夠實現(xiàn)任意ASIC的邏輯功能。FPGA開發(fā)套件，中間那個是FPGA芯片我們再看看FPGA的發(fā)展歷程。FPGA是在PAL（可編程陣列邏輯）、GAL（通用陣列邏輯）等可編程器件的基礎上發(fā)展起來的產(chǎn)物，屬于一種半定制電路。它誕生于1985年，發(fā)明者是Xilinx公司（賽靈思）。后來，Altera（阿爾特拉）、Lattice（萊迪思）、Microsemi（美高森美）等公司也參與到FPGA這個領域，并最終形成了四巨頭的格局。2015年5月，Intel（英特爾）以167億美元的天價收購了Altera，后來收編為PSG（可編程解決方案事業(yè)部）部門。2020年，Intel的競爭對手AMD也不甘示弱，以350億美元收購了Xilinx。于是，就變成了Xilinx（AMD旗下）、Intel、Lattice和Microsemi四巨頭（換湯不換藥）。2021年，這四家公司的市占率分別為51%、29%、7%和6%，加起來是全球總份額的93%。不久前，2023年10月，Intel宣布計劃拆分PSG部門，獨立業(yè)務運營。國內(nèi)FPGA廠商的話，包括復旦微電、紫光國微、安路科技、東土科技、高云半導體、京微齊力、京微雅格、智多晶、遨格芯等?？瓷先?shù)量不少，但實際上技術差距很大。03ASIC和FPGA的區(qū)別接下來，我們重點說說ASIC和FPGA的區(qū)別，還有它們和CPU、GPU之間的區(qū)別。ASIC和FPGA，本質上都是芯片。AISC是全定制芯片，功能寫死，沒辦法改。而FPGA是半定制芯片，功能靈活，可玩性強。我們還是可以通過一個例子，來說明兩者之間的區(qū)別。ASIC就是用模具來做玩具。事先要進行開模，比較費事。而且，一旦開模之后，就沒辦法修改了。如果要做新玩具，就必須重新開模。而FPGA呢，就像用樂高積木來搭玩具。上手就能搭，花一點時間，就可以搭好。如果不滿意，或者想搭新玩具，可以拆開，重新搭。ASIC與FPGA的很多設計工具是相同的。在設計流程上，F(xiàn)PGA沒有ASIC那么復雜，去掉了一些制造過程和額外的設計驗證步驟，大概只有ASIC流程的50%-70%。最頭大的流片過程，F(xiàn)PGA是不需要的。這就意味著，開發(fā)ASIC，可能需要幾個月甚至一年以上的時間。而FPGA，只需要幾周或幾個月的時間。剛才說到FPGA不需要流片，那么，是不是意味著FPGA的成本就一定比ASIC低呢？不一定。FPGA可以在實驗室或現(xiàn)場進行預制和編程，不需要一次性工程費用（NRE）。但是，作為“通用玩具”，它的成本是ASIC（壓模玩具）的10倍。如果生產(chǎn)量比較低，那么，F(xiàn)PGA會更便宜。如果生產(chǎn)量高，ASIC的一次性工程費用被平攤，那么，ASIC反而便宜。這就像開模費用。開模很貴，但是，如果銷量大，開模就劃算了。如下圖所示，40W片，是ASIC和FPGA成本高低的一個分界線。產(chǎn)量少于40W，F(xiàn)PGA便宜。多于40W，ASIC便宜。

從性能和功耗的角度來看，作為專用定制芯片，ASIC是比FPGA強的。FPGA是通用可編輯的芯片，冗余功能比較多。不管你怎么設計，都會多出來一些部件。前面小棗君也說了，ASIC是貼身定制，沒什么浪費，且采用硬連線。所以，性能更強，功耗更低。FPGA和ASIC，不是簡單的競爭和替代關系，而是各自的定位不同。FPGA現(xiàn)在多用于產(chǎn)品原型的開發(fā)、設計迭代，以及一些低產(chǎn)量的特定應用。它適合那些開發(fā)周期必須短的產(chǎn)品。FPGA還經(jīng)常用于ASIC的驗證。ASIC用于設計規(guī)模大、復雜度高的芯片，或者是成熟度高、產(chǎn)量比較大的產(chǎn)品。FPGA還特別適合初學者學習和參加比賽?，F(xiàn)在很多大學的電子類專業(yè)，都在使用FPGA進行教學。從商業(yè)化的角度來看，F(xiàn)PGA的主要應用領域是通信、國防、航空、數(shù)據(jù)中心、醫(yī)療、汽車及消費電子。FPGA在通信領域用得很早。很多基站的處理芯片（基帶處理、波束賦形、天線收發(fā)器等），都是用的FPGA。核心網(wǎng)的編碼和協(xié)議加速等，也用到它。數(shù)據(jù)中心之前在DPU等部件上，也用。后來，很多技術成熟了、定型了，通信設備商們就開始用ASIC替代，以此減少成本。值得一提的是，最近這些年很熱門的OpenRAN，其實很多都是采用通用處理器（IntelCPU）進行計算。這種方案的能耗遠遠不如FPGA和ASIC。這也是包括華為等設備商不愿意跟進OpenRAN的主要原因之一。汽車和工業(yè)領域，主要是看中了FPGA的時延優(yōu)勢，所以會用在ADAS（高級駕駛輔助系統(tǒng)）和伺服電機驅動上。消費電子用FPGA，是因為產(chǎn)品迭代太快。ASIC的開發(fā)周期太長了，等做出東西來，黃花菜都涼了。04FPGA、ASIC、GPU，誰是最合適的AI芯片？最后，我們還是要繞回到AI芯片的話題。上一期，小棗君埋了一個雷，說AI計算分訓練和推理。訓練是GPU處于絕對領先地位，而推理不是。我沒有說原因。現(xiàn)在，我來解釋一下。首先，大家要記住，單純從理論和架構的角度，ASIC和FPGA的性能和成本，肯定是優(yōu)于CPU和GPU的。CPU、GPU遵循的是馮·諾依曼體系結構，指令要經(jīng)過存儲、譯碼、執(zhí)行等步驟，共享內(nèi)存在使用時，要經(jīng)歷仲裁和緩存。而FPGA和ASIC并不是馮·諾依曼架構（是哈佛架構）。以FPGA為例，它本質上是無指令、無需共享內(nèi)存的體系結構。FPGA的邏輯單元功能在編程時已確定，屬于用硬件來實現(xiàn)軟件算法。對于保存狀態(tài)的需求，F(xiàn)PGA中的寄存器和片上內(nèi)存（BRAM）屬于各自的控制邏輯，不需要仲裁和緩存。從ALU運算單元占比來看，GPU比CPU高，F(xiàn)PGA因為幾乎沒有控制模塊，所有模塊都是ALU運算單元，比GPU更高。所以，綜合各個角度，F(xiàn)PGA的運算速度會比GPU更快。再看看功耗方面。GPU的功耗，是出了名的高，單片可以達到250W，甚至450W（RTX4090）。而FPGA呢，一般只有30~50W。這主要是因為內(nèi)存讀取。GPU的內(nèi)存接口（GDDR5、HBM、HBM2）帶寬極高，大約是FPGA傳統(tǒng)DDR接口的4-5倍。但就芯片本身來說，讀取DRAM所消耗的能量，是SRAM的100倍以上。GPU頻繁讀取DRAM的處理，產(chǎn)生了極高的功耗。

另外，F(xiàn)PGA的工作主頻（500MHz以下）比CPU、GPU（1~3GHz）低，也會使得自身功耗更低。FPGA的工作主頻低，主要是受布線資源的限制。有些線要繞遠，時鐘頻率高了，就來不及。最后看看時延。GPU時延高于FPGA。GPU通常需要將不同的訓練樣本，劃分成固定大小的“Batch（批次）”，為了最大化達到并行性，需要將數(shù)個Batch都集齊，再統(tǒng)一進行處理。FPGA的架構，是無批次（Batch-less）的。每處理完成一個數(shù)據(jù)包，就能馬上輸出，時延更有優(yōu)勢。那么，問題來了。GPU這里那里都不如FPGA和ASIC，為什么還會成為現(xiàn)在AI計算的大熱門呢？很簡單，在對算力性能和規(guī)模的極致追求下，現(xiàn)在整個行業(yè)根本不在乎什么成本和功耗。在英偉達的長期努力下，GPU的核心數(shù)和工作頻率一直在提升，芯片面積也越來越大，屬于硬剛算力。功耗靠工藝制程，靠水冷等被動散熱，反而不著火就行。除了硬件之外，上篇文章小棗君也提到，英偉達在軟件和生態(tài)方面很會布局。他們搗鼓出來的CUDA，是GPU的一個核心