中国FPGA芯片行业研究报告（上篇）-技术圈

AI芯片主要分为CPU 、GPU、FPGA以及ASIC。其中以CPU、GPU、FPGA、ASIC的顺序，通用性逐渐减低，但运算效率逐步提高。

FPGA即现场可编程门阵列，它是在PAL、GAL、CPLD等可编程器件癿基础上迕一步収展的产物。

FPGA芯片基于可编程器件（PAL、GAL）发展而来，是半定制化、可编程的集成电路。发明者：赛灵思联合创始人Ross Freeman于1984年发明FPGA集成电路结构。全球第一款商用FPGA芯片为赛灵思XC4000系列FPGA产品。

FPGA芯片按固定模式处理信号，可执行新型任务（计算任务、通信任务等）。FPGA芯片相对专用集成电路（如ASIC芯片）更具灵活性，相对传统可编程器件可添加更大规模电路数量以实现多元功能。

物理结构：FPGA芯片主要由三部分组成，分别为IOE（input output element，输入输出单元）、LAB（logic array block，逻辑阵列块，赛灵思定义为可配置逻辑块CLB）以及Interconnect（内部连接线）。

FPGA芯片在实时性（数据信号处理速度快）、灵活性等方面具备显著优势，在深度学习领域占据不可替代地位，同时具有开发难度高的特点。

FPGA芯片具备以下特点：

设计灵活：属于硬件可重构的芯片结构，内部设置数量丰富的输入输出单元引脚及触发器。
兼容性强：FPGA芯片可与CMOS、TTL等大规模集成电路兼容，协同完成计算任务。
并行计算：FPGA内部结构可按数据包步骤多少搭建相应数量流水线，不同流水线处理不同数据包，实现流水线并行、数据并行功能。
适用性强：是专用电路中开发周期最短、应用风险最低的器件之一（部分客户无需投资研发即可获得适用FPGA芯片）。
地位提升：早期在部分应用场景是ASIC芯片的批量替代品；近期随微软等头部互联网企业数据中心规模扩大，FPGA芯片应用范围扩大。

FPGA厂商主要提供基于两种技术类型的FPGA芯片：Flash技术类、SRAM技术类（Static Random-access Memory，静态随机存取存储器）。两类技术均可实现系统层面编程功能，具备较高计算性能，系统门阵列密度均可超过1兆。

核心区别：基于Flash的可编程器件具备非易失性特征，即电流关闭后，所存储数据不消失。基于SRAM技术的FPGA芯片不具备非易失性特征，是应用范围最广泛的架构。

CPU为通用型器件，FPGA架构相对CPU架构偏重计算效率，依托FPGA并行计算处理视觉算法可大幅提升计算速率，降低时延。

CPU处理计算指令流程：CPU通过专用译码器接收任务指令，接收过程分为两步：指令获取（CPU从专门存放指令的存储器中提取执行指令）以及指令翻译（根据特定规则将指令翻译为数据并传输至计算单元）。其中计算单元为晶体管（CPU基本元件），“开”、“关”分别对应“1”、“0”机器码数字。

CPU处理计算指令特点：

CPU物理结构包括Control（指令获取、指令翻译）、Cache（临时指令存储器）、计算单元ALU（约占CPU空间20%）。
CPU为通用型计算任务处理核心，可处理来自多个设备的计算请求，可随时终止当前运算，转向其他运算。
逻辑控制单元及指令翻译结构较为复杂，可从中断点继续计算任务，为实现高度通用性而牺牲计算效率。

CPU视觉算法与FPGA视觉算法比较：

• CPU架构：CPU用于处理视觉算法需按指定顺序执行指令，第一指令在图像整体运行完成后，第二指令开始运行。在4步操作指令环境下，设定单个操作指令运行需10毫秒，完成总算法耗时约40毫秒。

• FPGA架构：FPGA用于处理视觉算法采取规模化并行运算模式，可于图像不同像素内同时运行4步操作指令。设定单个操作操作指令运行需10毫秒，FPGA完成图像整体视觉算法处理时间仅为10毫秒，FPGA图像处理速度显著快于CPU。

•“FPGA+CPU”架构：此架构下，图像在CPU与FPGA之间传输，包含传输时间在内的算法整体处理时间仍低于纯CPU架构。

• 算法案例：以卷积滤镜图像锐化计算任务为例，系统需通过阈值运行图像生产二进制图像。CPU架构下，系统需在阈值步骤前完成图像整体卷积步骤，FPGA则支持相同算法同时运行，相对CPU架构，卷积计算速度提升约20倍。

GPU作为图形处理器件，计算峰值较高，远期在机器学习领域（多指令平行处理单一数据），FPGA相对GPU在灵活性、功耗方面更胜一筹

GPU物理结构：GPU为图形处理器，针对各类计算机图形绘制行为进行运算（如顶点设置、光影操作、像素操作等），标准GPU包括2D引擎、3D引擎、视频处理引擎、显存管理单元等。其中，3D引擎包含T&L单元、 PiexlShader等。

GPU处理计算指令流程：

• 顶点处理：GPU读取3D图形顶点数据，根据外观数据确定3D图形形状、位置关系，建立3D图形骨架。

• 光栅化计算：显示器图像由像素组成，系统需将图形点、线通过算法转换至像素点。矢量图形转换为像素点为光栅化计算过程。

• 纹理贴图：通过纹理映射对多变形表面进行帖图处理，进而生成真实图形。

• 像素处理：GPU对光栅化完成的像素进行计算、处理，确定像素最终属性，多通过Pixel Shader（像素着色器）完成。

GPU与FPGA特点对比：

•峰值性：GPU计算峰值（10Tflops）显著高于FPGA计算峰值（小于1TFlops）。GPU架构依托深度流水线等技术可基于标准单元库实现手工电路定制。相对而言，FPGA设计资源受限，型号选择决定逻辑资源上限（浮点运算资源占用较高），FPGA逻辑单元基于SRAM查找表，布线资源受限。

• 内存接口：GPU内存接口（双倍数据传输率存储器等）带宽优于FPGA使用的DDR（双倍速率同步动态随机存储器）接口，满足机器学习频繁访问内存需求。

• 灵活性：FPGA可根据特定应用编程硬件，GPU设计完成后无法改动硬件资源，远期机器学习使用多条指令平行处理单一数据，FPGA硬件资源灵活性更能满足需求。

• 功耗：GPU 平均功耗（200W）远高于 FPGA 平均功耗（10W），可有效解决散热问题。

ASIC芯片专用度高，开发流程非重复成本（流片）极高，5G商用普及初期，FPGA可依托灵活性抢占市场，但规模化量产场景下，ASIC芯片更具竞争优势

ASIC与FPGA开发流程区别：

• ASIC需从标准单元进行设计，功能需求及性能需求发生变化时，ASIC芯片设计需经历重新投片，设计流程时间成本、经济成本较高。

• FPGA包括预制门和触发器，具备可编程互连特性，可实现芯片功能重新配置。相对而言，ASIC芯片较少具备重配置功能。

ASIC与FPGA经济成本、时间成本区别：

• ASIC设计过程涉及固定成本，设计过程造成材料浪费较少，相对FPGA重复成本较低，非重复成本较高（平均超百万美元）。

• FPGA重复成本高于同类ASIC芯片，规模化量产场景下，ASIC芯片单位IC成本随产量增加持续走低，总成本显著低于FPGA芯片。

• FPGA无需等待芯片流片周期，编程后可直接使用，相对ASIC有助于企业节省产品上市时间。

• 技术未成熟阶段，FPGA架构支持灵活改变芯片功能，有助于降低器件产品成本及风险，更适用于5G商用初期的市场环境。

中国FPGA芯片行业产业链由上游底层算法设计企业、EDA工具供应商、晶圆代工厂、专用材料及设备供应商，中游各类FPGA芯片制造商、封测厂商及下游包括视觉工业厂商、汽车厂商、通信服务供应商、云端数据中心等在内的应用场景客户企业构成。

FPGA芯片作为可编程器件，流片需求较少，对上游代工厂依赖度较低，需专业设计软件、算法架构支持。

底层算法架构设计企业：FPGA芯片设计对底层算法架构依赖度较低，上游算法供应商对中游FPGA芯片研发制造企业议价能力有限。境外算法架构设计企业包括高通、ARM、谷歌、微软、IBM等。

专用软件供应：FPGA芯片企业需通过EDA等开发辅助软件（quartus、vivado等）完成设计。可提供EDA软件的国际一流企业（如Synopsys）向芯片研发企业收取高昂模块使用费。中国市场可提供EDA产品的企业较少，以芯禾电子、华大九天、博达微科技等为代表，中国EDA企业研发起步较晚，软件产品稳定性、成熟度有待提高。中国FPGA芯片研发企业采购境外EDA软件产品成本高昂，远期有待境内EDA企业消除与境外同类企业差距，为中游芯片企业提供价格友好型EDA产品。

晶圆代工厂当前中国主流晶圆厂约30家，在规格上分别涵盖8英寸晶圆、12英寸晶圆。其中，8英寸晶圆厂相对12英寸晶圆厂数量较多。中国本土12英寸晶圆厂以武汉新芯、中芯国际、紫光等为例，平均月产能约65千片。在中国设立晶圆厂的境外厂商包括Intel、海力士等。中国晶圆厂发展速度较快，如武汉新芯12寸晶圆以平均月产能200千片超过海力士平均月产能160千片。