整個FPGA市場規模約50億美元。由于FPGA萬能芯片的特點，它被芯片廠商用作芯片原型設計和驗證，還廣泛使用在通訊密集型和計算密集型市場中，使用行業包括通訊、軍工、汽車電子、消費及醫療等行業。

FPGA的缺點在于進行編程要使用硬件描述語言，而掌握硬件描述語言的人才太少，限制了其使用的拓展。

3.4 ASIC：高性能功耗比的專用芯片

ASIC是一種專用芯片，與傳統的通用芯片有一定的差異。是為了某種特定的需求而專門定制的芯片。ASIC芯片的計算能力和計算效率都可以根據算法需要進行定制，所以ASIC與通用芯片相比，具有以下幾個方面的優越性：體積小、功耗低、計算性能高、計算效率高、芯片出貨量越大成本越低。但是缺點也很明顯：算法是固定的，一旦算法變化就可能無法使用。

與FPGA相比，ASIC上市速度慢，需要大量時間開發，而且一次性成本（光刻掩模制作成本）遠高于FPGA，但是性能高于FPGA且量產后平均成本低于FPGA。在同一時間點上用最好的工藝實現的ASIC的加速器的速度會比用同樣工藝FPGA做的加速器速度快5-10倍，而且一旦量產后ASIC的成本會遠遠低于FPGA方案。

4. FPGA未來大有可為

從技術上來看，GPU、FPGA和ASIC都各有千秋。從實際應用來看，GPU擁有最完善的生態系統支撐，具有較大的先發優勢。由于市場對此已經充分預期，我們在此就不再贅述。

人工智能在推理環節應用剛起步，云端要比前端設備發展速度更快。下面我們將重點講述一下云端數據中心的應用。在數據中心，FPGA使用日益廣泛，而ASIC路線風險太高，目前僅有谷歌批量部署了TPU。

4.1 FPGA已在全球七大數據中心實際部署

FPGA最大的優點是動態可重配、性能功耗比高，非常適合在云端數據中心部署。

當在數據中心部署之后，FPGA可以根據業務形態來配臵不同的邏輯實現不同的硬件加速功能。以騰訊云為例，當前服務器上的FPGA板卡部署的是圖片壓縮邏輯，服務于業務；而此時廣告實時預估需要擴容獲得更多的FPGA計算資源，通過簡單的FPGA重配流程，FPGA板卡即可以變身成“新”硬件來服務廣告實時預估，非常適合批量部署。

FPGA的性能功耗比顯著高于GPU。以普遍使用在服務器中的FPGA型號A10GX660為例，性能/功耗能達到45GFLOPS/W，而對應的GPU型號M4，性能/功耗能達到29GFLOPS/W。依次測算FPGA性能功耗比要高50%。

近兩年，全球七大超級云計算數據中心包括IBM、Facebook、微軟、AWS以及BAT都采用了FPGA服務器。在這方面，中國和美國處以同一起跑線。

4.2 行業發展趨勢：FPGA大有可為

比使用現狀更重要的是未來的技術和產業發展趨勢。從行業發展趨勢來看，我們認為FPGA潛力被低估了，未來大有可為。具體如下：

4.2.1 算法正在快速迭代中

人工智能算法正處于快速迭代中。雖然ASIC芯片可以獲得最優的性能，即面積利用率高、速度快、功耗低；但是AISC開發風險極大，需要有足夠大的市場來保證成本價格，而且從研發到市場的時間周期很長，不適合例如深度學習CNN等算法正在快速迭代的領域。因此，推出ASIC芯片風險非常高，且成本太高，只有谷歌等極少數公司敢于嘗試。

更重要的是，當前人工智能算法模型的發展趨勢是從訓練環節向推理環節走，這個過程非常有利于FPGA未來的發展。人工智能算法模型從訓練環節走向推理環節并不是簡單搬運過去。訓練出來的算法模型往往規模太大，復雜度太高，無法直接部署實際應用。現在，人工智能算法模型研究的重要趨勢就是將訓練后的模型再進行壓縮，在基本不損失模型精度的情況下，將模型壓縮到原來的幾十分之一，再應用到推理環節。

以深鑒科技的研究成果為例，公司發布的論文《ESE ：Efficient Speech Recognition Engine with Sparse LSTM on FPGA 》指出，長短期記憶網絡（LSTM）被廣泛用于語音識別領域。為實現更高的預測精度，機器學習研究者們構建了越來越大的模型。然而這樣的模型十分耗費計算和存儲資源。部署此類笨重的模型會給數據中心帶來很高的功耗，從而帶來很高的總擁有成本（TCO）。