人工智能涉及的領域非常廣泛，工業、航天、商業都有應用，數據的積累和分析讓這種技術有了更高的價值。機器開始懂得用戶想要什么，可以預測未來的天氣和球賽的比分，這種人工智能與場景的結合，要實現的就是改變生活方式和解放生產力。微軟前執行副總裁陸奇曾指出，如果大數據被充分利用，全球企業將額外獲得1.6萬億美元的數字紅利。

海量數據的解讀對計算性能是不小的考驗，設備堆疊和軟件優化無法解決根本問題，要從基礎架構上做出改變。也就是說，未來的數據中心絕不是傳統意義上的通用計算機，而是可以針對業務需求做出感知響應，同時兼顧效率與能耗，實現所謂的智慧計算。更重要的是，隨著IPDC的發展，互聯網企業業務和技術快速迭代，對數據中心提出了新的挑戰，需要更好地支持AI、機器學習等前沿技術。

為了充分挖掘計算潛力，很多廠商都在嘗試用GPU處理并行計算，其由數以千計的更小、更高效的核心組成，這些核心專為同時處理多任務而設計，在Linpack測試中也可以獲得更好的浮點運算性能。前不久，我們采訪了聯想集團中國區中央及行業技術支持和體驗中心總監李鑫，他認為未來服務器結構會發生新的變化，計算與IO是完全分開的，像NVIDIA這樣涉足GPU計算的廠商，持續攀升的股價足以說明這種技術的火熱。不過，GPU在兼容性、能耗、成本等方面也存在一些缺陷，使得大家開始尋求其他方案，“老古董”FPGA再次被提及。

近兩年，FPGA市場的大交易不斷。通過收購Altera，英特爾希望借助更高的集成度，將數據中心用半導體的性能提升兩倍以上，要在同一硅片上整合微處理器和FPGA，設計層面的整合較為重要。而作為全球最大的FPGA廠商之一，Xilinx在收購Auviz?Systems（提供基于FPGA中間件IP，減少應用功耗）之后，則會利用后者在數據中心和卷積神經網絡領域的技術，提高FPGA在人工智能領域的地位。

那么，FPGA為何能在AI數據中心時代殺出重圍呢？究其原因，無外乎兼容性、可定制、功耗、性價比。熟悉FPGA的人并不少，其全稱為Field-Programmable?Gate?Arra，即現場可編程門陣列，以硬件描述語言（Verilog或VHDL）完成的電路設計，特點是可以排列組合出各種復雜的邏輯功能，即使在出廠成品后也能根據設計需要改變邏輯模塊和連接。并行計算時，FPGA包含的LUTs、register、DSP等經由網絡通過編程連接，實現特定功能，并且可以反復重配使用。無論是對比GPU還是ASIC?，FPGA的兼容性和靈活性都更好。

微軟的研究人員認為，通過在必應網絡搜索數據中心使用FPGA，服務器能夠快速處理更高的搜索查詢負載，所需設備數量有所削減，“在云環境中，可重新配置邏輯將成為數據中心的首選資源實現機制，并將隨著時間推移而承載超越傳統CPU的大部分數據中心計算任務。”

功耗方面，根據浪潮為國內某大型互聯網公司定制的FPGA實測數據顯示，一個FPGA加速卡的功耗約為20W-75W的功耗，對應的1個GPU單元為235W-300W。此外，一塊中端GPU的每瓦單精度20Gflops/W，而FPGA為60Gflops/W-80Gflops/W。不過在實現同樣功能時，FPGA較GPU和ASIC需要的電路面積更大，這也導致了其總功耗優勢下降，尚需進一步優化。

應用方面，FPGA在通信、醫療、工業、軍事等領域均有涉足，例如信號基站就需要FPGA進行數據處理，架構的廣泛適應性也為FPGA應用于數據中心打下了基礎。市場調查機構Gartner預測，從2014年到2023年，全球FPGA市場的年均增長率會達到7%。

或許有人會說，除了GPU異構，就不能為人工智能、機器學習專門定制芯片（ASIC）嗎？的確，這種方案會帶來更好的性能，但研發周期和設計成本難以控制，要等待最新的半導體工藝，商用風險較大。

當然，FPGA也絕非面面俱到。首先GPU在峰值性能遠遠把FPGA甩在身后，這也是NVIDIA主推GPU加速的原因之一，適用于很多深度學習場景，性能足夠滿足需求。其次，由于傳統FPGA采用硬件語言編程，讓大多數程序員犯了難，開發門檻較高。對此，不少人開始轉向基于OpenCL的軟件開發模式，優勢是適配多種平臺，語言更加易于理解，普及程度也逐漸提高。