到底什么是 ASIC 和 FPGA？

 

进入 21 世纪后，算力需求呈现两个显著趋势：一，算力的使用场景，开始细分；二，用户对算力性能的要求，越来越高。通用的算力芯片，已经无法满足用户的需求。

于是，越来越多的企业，开始加强对专用计算芯片的研究和投资力度。而 ASIC（Application Specific Integrated Circuit，专用集成电路），就是一种专用于特定任务的芯片。

ASIC 的官方定义，是指：应特定用户的要求，或特定电子系统的需要，专门设计、制造的集成电路。

ASIC 起步于上世纪 70-80 年代。早期的时候，曾用于计算机。后来，主要用于嵌入式控制。这几年，如前面所说，开始崛起，用于 AI 推理、高速搜索以及视觉和图像处理等。

说到 ASIC，我们就不得不提到 Google 公司大名鼎鼎的 TPU。

TPU，全称 Tensor Processing Unit，张量处理单元。所谓“张量（tensor）”，是一个包含多个数字（多维数组）的数学实体。

目前，几乎所有的机器学习系统，都使用张量作为基本数据结构。所以，张量处理单元，我们可以简单理解为“AI 处理单元”。

2015 年，为了更好地完成自己的深度学习任务，提升 AI 算力，Google 推出了一款专门用于神经网络训练的芯片，也就是 TPU v1。

相比传统的 CPU 和 GPU，在神经网络计算方面，TPU v1 可以获得 15~30 倍的性能提升，能效提升更是达到 30~80 倍，给行业带来了很大震动。

2017 年和 2018 年，Google 又再接再厉，推出了能力更强的 TPU v2 和 TPU v3，用于 AI 训练和推理。2021 年，他们推出了 TPU v4，采用 7nm 工艺，晶体管数达到 220 亿，性能相较上代提升了 10 倍，比英伟达的 A100 还强 1.7 倍。

除了 Google 之外，还有很多大厂这几年也在捣鼓 ASIC。

英特尔公司在 2019 年底收购了以色列 AI 芯片公司 Habana Labs，2022 年，发布了 Gaudi 2 ASIC 芯片。IBM 研究院，则于 2022 年底，发布了 AI ASIC 芯片 AIU。

三星早几年也搞过 ASIC，当时做的是矿机专用芯片。没错，很多人认识 ASIC，就是从比特币挖矿开始的。相比 GPU 和 CPU 挖矿，ASIC 矿机的效率更高，能耗更低。

ASIC 矿机

除了 TPU 和矿机之外，另外两类很有名的 ASIC 芯片，是 DPU 和 NPU。

DPU 是数据处理单元（Data Processing Unit），主要用于数据中心。小枣君之前曾经专门介绍过，可以看这里：火遍全网的 DPU，到底是个啥？

NPU 的话，叫做神经网络处理单元（Neural Processing Unit），在电路层模拟人类神经元和突触，并用深度学习指令集处理数据。

NPU 专门用于神经网络推理，能够实现高效的卷积、池化等操作。一些手机芯片里，经常集成这玩意。

说到手机芯片，值得一提的是，我们手机现在的主芯片，也就是常说的 SoC 芯片，其实也是一种 ASIC 芯片。

手机 SoC 芯片

ASIC 作为专门的定制芯片，优点体现在哪里？只是企业独享，专用 logo 和命名？

不是的。

定制就是量体裁衣。基于芯片所面向的专项任务，芯片的计算能力和计算效率都是严格匹配于任务算法的。芯片的核心数量，逻辑计算单元和控制单元比例，以及缓存等，整个芯片架构，也是精确定制的。

所以，定制专用芯片，可以实现极致的体积、功耗。这类芯片的可靠性、保密性、算力、能效，都会比通用芯片（CPU、GPU）更强。

大家会发现，前面我们提到的几家 ASIC 公司，都是谷歌、英特尔、IBM、三星这样的大厂。

这是因为，对芯片进行定制设计，对一家企业的研发技术水平要求极高，且耗资极为巨大。

做一款 ASIC 芯片，首先要经过代码设计、综合、后端等复杂的设计流程，再经过几个月的生产加工以及封装测试，才能拿到芯片来搭建系统。

大家都听说过“流片（Tape-out）”。像流水线一样，通过一系列工艺步骤制造芯片，就是流片。简单来说，就是试生产。

ASIC 的研发过程是需要流片的。14nm 工艺，流片一次需要 300 万美元左右。5nm 工艺，更是高达 4725 万美元。

流片一旦失败，钱全部打水漂，还耽误了大量的时间和精力。一般的小公司，根本玩不起。

那么，是不是小公司就无法进行芯片定制了呢？

当然不是。接下来，就轮到另一个神器出场了，那就是 ——FPGA。