AI时代,FPGA再次崛起
当大模型从云端训练走向边缘推理,算力需求正在从单一峰值性能转向延迟、功耗、灵活性和成本的多维平衡。CPU擅长通用调度,GPU强在并行吞吐,但在算法快速演进、标准尚未定型、终端场景高度碎片化的AI时代,FPGA的可编程性重新显现出独特价值。围绕端侧推理、数据中心加速和中端嵌入式市场,一场关于FPGA的“再崛起”正在展开。
端侧推理爆发,FPGA被推到AI前排
AI发展初期,大量新兴应用仍在酝酿,各类标准持续演进,AI算法也在不断推陈出新。硬件既要有足够算力,又要保持灵活度,FPGA刚好契合这种需求。它的关键价值在于可编程性和灵活性:芯片内部电路并非硬蚀刻,可以根据需要重新编程,这让FPGA成为成本效益较高的硬件选项之一,也能在同一芯片上集成更多能力,节省成本和板卡空间。
这种特性在推理环节尤其明显。面对小批量数据处理,FPGA可以凭借流水线并行实现高并行、低延迟的效果。受低延迟、数据隐私和带宽限制等因素驱动,FPGA还能满足低功耗、灵活以及快速响应等需求。老石谈芯在2025年3月的视频中提到,随着端侧推理应用爆发,“万能芯片”FPGA或许会迎来新的机会,一些小的架构变革甚至能带来意想不到的提升。
从应用侧看,FPGA正在边缘AI中扮演越来越重要的角色。AMD在FPGA诞生40周年之际指出,FPGA和自适应SoC能够实时、低延迟地处理传感器数据,加速边缘AI推理。随着更小的生成式AI模型出现,边缘侧有望迎来自己的“ChatGPT时刻”。自动驾驶、机器人、工业自动化、6G网络、气候变化、药物发现、科学研究和太空探索,都被视为FPGA自适应计算继续突破的领域。
流水线并行掐住低延迟与低功耗命门
FPGA在AI时代的优势,不只是“可编程”三个字。更关键的是,它可以把计算任务映射成硬件流水线,让数据在芯片内部以高度并行的方式流动,减少反复搬运和调度开销。对于边缘设备而言,这种架构带来的低延迟和低功耗,往往比单纯的峰值算力更重要。

老石谈芯在视频中把FPGA在AI时代的发展划分为多个阶段,并通过面积、性能、功耗三组实验观察架构变化带来的影响。这类实验说明,FPGA并非只能依靠传统逻辑资源“硬扛”AI负载,通过更合理的架构组织,仍有机会在面积效率、处理性能和功耗之间找到新的平衡点。对于需要快速响应、长期供货和现场升级的设备来说,这种可重构能力意味着产品可以在部署后继续适配算法变化,延长硬件生命周期。
在数据中心和云端,FPGA同样没有缺席。它们被用于加速数据库、基因组学、网络处理,并帮助优化大语言模型、对话式AI、推荐系统等AI推理任务;在异常检测、金融欺诈识别和高速交易等神经网络应用中,FPGA的高能效还有助于降低散热成本。微软等软件互联网公司此前进军芯片行业并选择FPGA作为数据中心与实时AI系统的重要实现载体,正是因为传统CPU和GPU在特定实时任务上存在短板,而FPGA提供了另一种可编程加速路径。
130亿美元市场里,中国增速跑到18%
市场数据给出了更直观的注脚。行业数据显示,2021年至2027年,FPGA市场预计将以12%的年复合增长率持续成长,并达到130亿美元规模。预计中国市场增速更快,未来5年增长率将保持在18%左右。得益于面向AI应用的提升,FPGA有望在汽车、工业等传统非FPGA应用领域获得新的机会。
厂商层面的投入也在加码。FPGA厂商逐年加大在AI领域的发力,推出专门针对AI应用的平台和解决方案,提供更加易用和高性能的产品。与此同时,开发工具和框架不断完善,降低了使用FPGA实现AI特性的门槛,吸引更多开发者和企业采用FPGA技术。过去FPGA常被诟病开发门槛高、生态封闭,如今这一局面正在被更完整的软件栈和更细分的AI平台逐步改变。
从市场结构看,高端FPGA在AI领域的机会主要集中在高性能计算和数据中心加速,它具有大规模逻辑资源、高存储容量和高时钟频率,能够支持更复杂、更大规模的AI模型训练和推理任务。而在边缘侧,随着AI应用越来越转向比集中式云数据中心更低延迟、更安全、更私密的处理方式,高端FPGA特性向中端应用延伸的趋势非常明显,网络边缘计算、智能终端设备等市场呈现出巨大发展潜力,国内外相关厂商纷纷加大中端FPGA布局。

Versal把AI Core塞进自适应计算平台
FPGA厂商的AI路线,并非简单把传统FPGA塞进AI服务器。早在2018年左右,Xilinx(现已被AMD收购)就洞察到FPGA在算力市场的巨大价值,提出“数据中心优先”战略,随后发布自适应计算加速平台ACAP Versal。这一产品形态已经脱离传统FPGA范畴,通过内部可编程引擎,引入多个以自适应数据流方式组织的AI Core,作为承载AI等数据密集型运算的主体。
Versal ACAP整合了标量处理引擎、自适应硬件引擎和智能引擎,以及前沿的存储器和接口技术,从而提升异构加速性能。换句话说,Xilinx/AMD的FPGA AI路线,相当于设计一套专门硬件体系来承载AI等数据密集型运算。到了2024年,Versal AI Edge Series Gen 2进一步把可编程逻辑、CPU、DSP和AI Engine集成到单芯片中,面向需要异构、低延迟和能效计算的新一代应用,实现端到端AI加速。同年推出的Spartan UltraScale+ FPGA系列,则补充了成本优化型FPGA和自适应SoC组合,面向边缘I/O密集型应用提供成本和功耗效率。
这条路线释放出的信号很明确:FPGA正在从“可编程逻辑器件”演化为“自适应计算平台”。它不再只服务于传统通信、工业和汽车电子,而是试图在AI推理、传感器融合、实时控制和异构计算中承担更核心的角色。
工业摄像头和ADAS盯上中端FPGA
中端FPGA的升温,在具体场景中更容易被看见。工业摄像头就是典型案例:体积小、散热条件不佳,但对带宽要求越来越高,属于典型的“既需要一定性能、又要求低功耗”的应用。FPGA可以在传感器端实时处理数据,减少后端压力,同时保持较低功耗和灵活接口能力。
汽车领域同样如此。ADAS、MDC以及汽车显示等应用,越来越需要更强的处理能力、更高的处理带宽,同时对延迟、安全性和功耗提出严格要求。中端FPGA的低功耗、高性能特性非常适合这类场景。随着边缘AI应用扩展,FPGA-based自适应计算正在推动自动驾驶、机器人、工业自动化、6G网络等领域的突破。从40年前发明FPGA,到今天把AI Engine、CPU和可编程逻辑集成到单芯片,FPGA的形态已经发生变化,但可编程、低延迟、长生命周期和灵活适配的内核仍然延续。AI时代没有让FPGA退场,反而把它推到了一个更细分、更贴近终端、也更需要软硬协同的新位置。