©2020-2024 ioDraw All rights reserved
<>AI 领域 FPGA、ASIC、CPU、GPU 简单对比
<>简介
CPU：中央处理器（Central Processing Unit，CPU）是一块超大规模的集成电路，是一台计算机的运算核心（Core）和控制核心（
Control Unit）。它的功能主要是解释计算机指令以及处理计算机软件中的数据。
GPU：图形处理器（Graphics Processing
Unit，GPU），又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上图像运算工作的微处理器。
ASIC：专用集成电路（Application Specific Integrated Circuit，ASIC），适合于某一单一用途的集成电路产品。
FPGA：现场可编程门阵列（Field Programmable Gate
Array，FPGA）。其设计初衷是为了实现半定制芯片的功能，即硬件结构可根据需要实时配置灵活改变。
<>人工智能领域的要求
人工智能的基础是算法，深度学习是目前最主流的人工智能算法。深度学习又叫深度神经网络(DNN：Deep Neural
Networks)，从之前的人工神经网络(ANN：Artificial Neural
Networks)模型发展而来。这种模型一般采用计算机科学中的图模型来直观表达，深度学习的“深度”便指的是图模型的层数以及每一层的节点数量。神经网络复杂度不断提升，从最早单一的神经元，到
2012 年提出的 AlexNet (8个网络层)，再到 2015 年提出的 ResNET
(150个网络层)，层次间的复杂度呈几何倍数递增，对应的是对处理器运算能力需求的爆炸式增长。深度学习带来计算量急剧增加，对计算硬件带来更高要求。
深度学习需要用到很高的并行和大量的浮点运算、矩阵运算能力。
以往的 CPU、GPU 等都不能很好的实现人工智能的运算。所以需要针对人工智能领域需要新的硬件处理支持。
<>CPU
CPU 有强大的调度、管理、协调能力。应用范围广。
开发方便且灵活。
但其在大量数据处理上没有 GPU 专业，相对运算量低，但功耗不低。
<>GPU
相比CPU，GPU由于更适合执行复杂的数学和几何计算(尤其是并行运算)，刚好与包含大量的并行运算的人工智能深度学习算法相匹配。
GPU 作为图像处理器，设计初衷是为了应对图像处理中需要大规模并行计算。因此，其在应用于深度学习算法时，有三个方面的局限性：
第一， 应用过程中无法充分发挥并行计算优势。深度学习包含训练和应用两个计算环节，GPU
在深度学习算法训练上非常高效，但在应用时一次性只能对于一张输入图像进行处理， 并行度的优势不能完全发挥。
第二， 硬件结构固定不具备可编程性。深度学习算法还未完全稳定，若深度学习算法发生大的变化，GPU 无法像 FPGA 一样可以灵活的配置硬件结构。
第三， 运行深度学习算法能效远低于 FPGA。学术界和产业界研究已经证明，运行深度学习算法中实现同样的性能，GPU 所需功耗远大于
FPGA，例如国内初创企业深鉴科技基于 FPGA 平台的人工智能芯片在同样开发周期内相对 GPU 能效有一个数量级的提升。
其功耗高，目前常用于云端计算处理上。
<>ASIC
定制芯片成本最低，功耗低，而且适合量产。
但由于其研发成本（开模成本）高昂，开发周期和验证周期长。对于很多厂商来说压力巨大。目前在人工智能领域风险高。
目前人工智能算法日新月异，变化快速，对于需要高成本，高研发周期的 ASIC 相对来说是不适用的。应用相对较少。
<>FPGA
可以通过硬件编程实现功能。
FPGA 同时拥有流水线并行和数据并行。可以实现比 GPU 更高的并发处理。
在密集处理和高并发上能力上占优，而且功耗比 CPU，GPU 低。
但其缺点有：
第一，基本单元的计算能力有限。为了实现可重构特性，FPGA 内部有大量极细粒度的基本单元，但是每个单元的计算能力（主要依靠 LUT 查找表）都远远低于
CPU 和 GPU 中的 ALU模块。
第二，速度和功耗相对专用定制芯片（ASIC）仍然存在不小差距。
第三，FPGA 价格比起 ASIC 较为昂贵，在规模放量的情况下单块 FPGA 的成本要远高于专用定制芯片。