市场可能性

这种方式基本上已经把FPGA变成了具有多种可能性的瑞士军刀。

“如果你往回看，FPGA只是一堆LUT和寄存器，而不是门，”NetSpeedSystems市场和业务开发副总裁AnushMohandass说。“这里有一个典型问题。如果您将任何通用器件和专用器件进行比较就会发现，通用计算可以提供更大的灵活性，而专用计算可以提供性能或效率优势。赛灵思和Altera一直试图越来越多地融合通用计算和专用计算，他们注意到，几乎每个FPGA客户都拥有DSP和某种形式的计算。所以他们在FPGA里面加入了ARM内核、DSP内核，还加入了所有不同的PHY和常用模块，他们把这些东西硬化了，使得效率更高，并且性能曲线变得更好。”

这些新功能为FPGA在各种新兴市场和现有市场中发挥重要作用打开了大门。

“从市场角度来看，您可以看到FPGA肯定会进入SoC市场，”Synopsys的高级营销总监PiyushSancheti表示。“是做一个FPGA还是做一款成熟的ASIC牵扯到经济问题。它们的界限开始变得模糊不清，我们看到越来越多的公司－特别是在某些市场上－正在在量产阶段使用成本更低的FPGA。”

从历史上看，FPGA主要用于原型阶段，在生产用途而言，它仅限于航空航天、国防和通信基础设施等市场，Sancheti说。“现在市场正在扩展到汽车、工业自动化和医疗设备。”

AI：一个蓬勃发展的FPGA市场

一些系统供应商／OEM采用FPGA，希望优化其IP或AI／ML算法性能。

NetSpeed的Mohandass表示：”他们想要打造自己的芯片，对其中很多人来说，做ASIC可能有点吓人。他们也可能不想花费3000万美元的晶圆成本来获得芯片。对他们来说，FPGA是一个有效的切入点，他们拥有独特的算法、自己的神经网络，他们想要工程化，看看它是否能够提供他们所期望的性能。”

西门子子公司Mentor的CatapultHLS综合与验证高级产品营销经理StuartClubb表示，目前AI应用面临的挑战是量化。“需要什么样的网络？我如何建立这个网络？什么样的内存架构？即便你只有几层神经网络，当你获得很多采用若干系数的数据之后，很快就会转化成为数百万个系数，存储带宽也会变得非常恐怖。没有人真正知道正确的架构是什么。如果你不知道答案，你肯定不会直接上来就设计一个ASIC。”

在企业网络领域，最常见的问题是密码标准似乎一直在变化。Mohandass表示：“与其尝试构建一颗ASIC，不如将密码引擎放在FPGA中设计。“或者，如果您在全球网络中进行任何类型的数据包处理，FPGA仍然能够为您提供更多的灵活性和更多的可编程性。这就是灵活性的用武之地，他们也已经利用了这种灵活性。你可以称之为异构计算，它看起来仍然像一个SoC。”

新规则

随着新一代FPGASoC的投入使用，旧规则不再适用了。“具体来说，如果你还在电路板上进行调试，那就太落伍了，”Clubb指出。“虽然在开发板上进行调试被认为是一种成本较低的解决方案，但这是在早期阶段使用的手段：‘它是可编程的，您可以在它上面放置一个示波器，观察一下现象，看看发生了什么。如果发现了一个错误，我可以修复它，在一天内修改代码，然后将它重新烧录到电路板上，然后再定位下一个bug，＇这太疯狂了。在员工的时间不被视为成本的很多公司，管理层不会购买模拟器或系统级工具或调试器，因为＇我付了钱让这个人完成工作，我会一直训他，直到他努力工作。＇”

这种行为仍然很常见，Clubb说，因为有很多公司实行10％的末位淘汰，以鞭策每个员工好好干活。

但是，FPGASoC是真正的SoC，需要严格的设计和验证方法。“器件可编程不会真正影响设计和验证，”Clubb说。“如果你要设计一颗SoC，你可以按照我听很多客户说起过的‘乐高’工程，采用框图式的方法。我需要一颗处理器、一块内存、一颗GPU、一些其他零件、一个DMA内存控制器、WiFi、USB和PCI，这些都是您组装用的＇乐高＇积木。麻烦之处在于必须验证它们能够工作，并且能够一起工作。”

不过，FPGASoC系统开发人员正在迅速掌握SoC从业者们关注的验证方法。

“因为［使用FPGA］的成本更低，所以FPGASoC系统开发人员的思考方式和传统的芯片SoC开发人员不同，传统SoC开发人员的处理思路是＇这将花

费我200万美元，所以我最好做好万全的准备＇，“Clubb说。“但是如果你花费200万美元开发FPGA，没搞对，现在你将需要花费三个月的时间修复这些bug，这也是需要考虑的成本。开发团队有多大？要花多少钱？没有及时上市的惩罚是什么？这些都是非常难以清晰量化的成本。如果您处于消费领域，需要在圣诞节期间及时上市的产品上几乎不可能使用FPGA，所以这有一个不同的优先级。在定制芯片中做一款SoC需要面临巨大的整体成本和风险，因此越来越少见了。众所周知，这个行业正在整合，大玩家越来越少。每个选手都必须找出一种方式实现自己的设计，这些FPGASoC可以帮助实现这一目标。”

新的折衷选择

Sancheti说，很多工程团队不介意更换目标器件。“我们看到许多公司创建RTL并对其进行验证，但几乎不知道他们最终会选择FPGA还是ASIC，因为这个决定可能会变很多次。你可以从FPGA开始，当达到一定数量后，如果ASIC成本更低，就转到ASIC上。”

这种局面对于今天的AI应用领域尤其普遍。

eSilicon营销副总裁MikeGianfagna表示：“加速AI算法速度的技术还在发展中。人工智能算法其实已经存在了很长一段时间，但是现在，我们在使用AI方面突然间变得更加复杂，并且可以非常神奇地以接近实时的速度运行它们。最初的AI算法运行在CPU上，然后转移到了GPU上。GPU也可以认为是一种可编程器件，尽管它具有一定的通用性。GPU架构擅长并行处理，因为图形加速运算就是并行计算，所以在GPU上跑AI算法很方便，因为AI基本上就是并行处理。在很大程度上来说，GPU确实很好，但是它仍然是一种通用的方法，你可以在一定的功耗下获得一定程度的性能。现在，有些人接下来要转向FPGA运行AI算法，因为FPGA可以提供比GPU更好的专用电路，而且性能和功效上都能得到提升。ASIC在功耗和性能方面最为出色，因为您拥有可以完全满足您的需求的自定义架构，不多不少，显然最好。”

人工智能算法很难映射到芯片上，因为它们几乎总是在变化。就这一点可以看出，做一款全定制的ASIC完全不合时宜，因为芯片出厂时老的算法就已经过时了。“FPGA显然可以很好地应对这种情况，因为你可以对它们进行重新编程，这样对芯片的昂贵投资就不会打水漂了。”Gianfagna说。

这里有一些自定义的内存配置，以及某些像卷积和转置存储等可以再次使用的子系统功能，因此，虽然算法可能会更改，但某些块不会更改，可以一次又一次地使用。考虑到这一点，eSilicon正在开发一款具有软件分析功能、可以查验AI算法的机箱，目标是能够更快速地为特定应用选择最佳架构。

“使用FPGA，可以灵活地更换机器或者引擎，因为您可能会遇到一种新的神经网络，选择ASIC则要承担风险，因为你可能无法获得灵活性，”eSilicon知识产权工程副总裁DeepakSabharwal说。“然而，FPGA在容量和性能方面总是受到限制，所以用FPGA无法真正达到产品级规格。你可以用它做实验，对事物分组，但最终你将不得不选用一颗ASIC。”