FPGA、CPU、ASIC、SoC、TPU等等，一文说明它们到底什么区别

世界变化太快，本来生活中就只有CPU，后来又闯入了MCU、FPGA、GPU、DSP、ASIC，已经难以分辨了。现在又多了SoC、SiP、TPU、XPU，让我们读书看报越发艰难啦。

它们共同特点是都属于IC（Integrate Circuit，集成电路），并且具有运算功能。这篇文章就是要区分开它们。

FPGA就如一块生铁，其它都是工具

生铁买回家没法直接使用，但它能做成各种工具。

FPGA （Field Programmable Gate Array，现场可编程门阵列），把它装在电路板上也没法直接使用。FPGA工程师的任务就是通过改变物理上的连接关系，实现各种逻辑和运算功能。

就像一块生铁能打造出很多工具，FPGA最强大的地方在于，可以灵活实现各种结构，对事件进行即时响应。比如对于大量的运算：

• 把累加操作变成流水线操作，一个时钟周期就完成一次很多数的累加。类似接力搬砖，只要人足够多，可以迅速把砖头移动到很远的地方。

• 可以模拟出100块CPU计算单元，大幅提升并行计算速度。类似于有很多个人在不同的位置同时搬砖，只要人数够多，砖头一会儿就搬完了。

为了应对人工智能深度学习对运算的需求，百度和赛灵思合作，基于FPGA推出XPU（X Processing Unit），X应该就是想表明很厉害、万能的意思吧。

FPGA的缺点也明显：

• 不可能对每个门电路进行优化，用户连接只在一定颗粒度上是可行的。比起专用芯片来，速度慢、功耗大。

• 受工艺限制，比起专用芯片来，量产成本高很多。

• FPGA的开发比起软件编程来，麻烦很多。需要考虑一些硬件设计的问题，比如信号时间上对齐、资源的评估、节能等。

FPGA名字当然有其演化的历史，但实践上看，名字起得并非完美。

由于名字中有“可编程”的字眼，导致很多人认为FPGA工程师是软件设计人员。而软件工程师只是忿忿的说，“FPGA能实现递归函数吗？不行吧。你这也叫编程？”他们绝对不会认为FPGA工程师是自己的一员。

如果从避免混淆的角度来看，我觉得叫FCGA （Field Connectable Gate Array，现场可连接门阵列）更清晰。 “连接”表明从硬件上改变了它，这样FCGA工程师就清晰无误地属于硬件设计工程师了。如果对应到其它硬件电路设计流程，他们同时负责设计、仿真、原理图、PCB布线、和测试工作。

CPU是通用工具，其它都是专用的

通用工具有很多种。当一个人说工具时，我们很难具体指明他在说什么。

CPU（Central Processing Unit，中央处理器），它在电路板上的地位是配置和控制其它所有设备，当然也包括FPGA。从功能上看，它是最要的器件。当电源正常工作后，第一件事情就是启动CPU系统，之后CPU检查其它硬件的状态，并依次配置和启动它们，最终让系统进入工作状态。我所认知的CPU都是支持软件编程的，这保持了通用性。

从控制其它设备和可以编程的角度来看，MCU、DSP、SoC、甚至ASIC都可以划分到CPU的范畴。

• 因特尔、AMD等大厂的CPU广泛应用于PC上，它们构成CPU最经典的概念。

  
  

• MCU（Micro Controller Unit，微控制器），通常称为单片机。常说的ARM，就是单片机的一种。跟PC上的CPU相比：

  
  

• 内部集成了很多设备，比如存储器、数模、模数转换器、时钟单元、各种通信接口等。MCU只需加上很少的外部器件，就能做出很实用、高可靠性的产品，比如Pad、白色电器、汽车控制系统等等，生活中无处不在。

• 通常MCU处理速度比CPU低，毕竟大部分的应用场景对运算的要求并不高。

• 功耗比CPU低很多，对于需要电池的设备有很大的吸引力。

• 种类繁多，便宜的几块钱就能买到，也能满足很多简单控制的需求。

  
  

• DSP（Digtial Signal Processor，数字信号处理器），可以看成MCU的一种，它强调对运算的优化，适用于视频、音频大数据流的处理。

ASIC是专用工具，精益求精

干特定的活，用专门的工具，无比顺手啊。

ASIC（Application Specific Integrated Circuit，专用集成电路），为了应对某一特定领域大量的需求，优化到每一个门电路，在性能上做到极致。牺牲了通用性，主要功能无法更改，好处是批量生产成本低、速度快（比FPGA更迅速）、能耗低。

• GPU（Graphic Processing Unit，图形处理器），分担CPU对显示部分主要的工作量。顺序运算能力远不如CPU，但可以比较灵活的配置多进程，并行计算能力比CPU有数十倍的提升。也因此，现在常被借用来进行加速计算，跟图形已经没有关系了。编程通常是通过CUDA（Compute Unified Device Architecture）平台来实现的。由于人工智能深度学习的兴起，对计算能力要求飞速提升，GPU的行业老大英伟达的股价也一柱冲天。

  
  

• 麒麟芯片，华为用在手机里，硬件实现了对各种通信协议的处理。手机出货量大，能大幅摊薄前期ASIC的开发成本，而且手机对功耗要求很高，尤其适合采用ASIC。

  
  

  

  麒麟960
  

  
  

• TPU（Tensor Processing Unit，张量处理器），谷歌为了深度学习开发的芯片，架构不详。从名字来看，应该是对矩阵的运算做了优化，适配自己的深度学习软件框架TensorFlow。谷歌购买了世界5%的服务器处理器，这个量完全足够支持它开发一套专用的芯片。目前，谷歌还没有计划向外销售TPU。

由于深度学习的算法目前还处于迅速演进过程中，对深度学习ASIC的高度定制，比如针对某种神经网络的定制，是件高风险的事情。也许上午花了上千万定制的ASIC刚刚问世，下午就出现一种效率提高10倍的算法，那这块ASIC也就几乎没有什么价值了。

FPGA、CPU和ASIC比较

下图表明了它们的位置关系。

它们之间的对话是这样的：

SoC 和 SiP 是工具包

工具包的意思就是里面啥都可以有。

FPGA、CPU和ASIC各有优缺点，现在它们已经有融合的趋势了。

• 因特尔，传统的CPU厂商收购了Altera（FPGA的主力厂商），CPU融合FPGA的心不言自明。

  
  

• 而FPGA的老大赛灵思也早就开始在它的FPGA里面集成了CPU，构成Zynq系列的FPGA产品。

  
  

• 华为专用麒麟芯片更是集成了CPU和GPU。

不仅如此，很多芯片也像单片机那样，集成数模、模数转换、存储器、各种通信协议。这些集成了的东西，你中有我，我中有你，难以再区分它们。SoC （System on Chip，片上系统），可以笼统的指代它们。单片机就是很典型的SoC。

而把很多器件融合到一颗芯片里面难度比较大。直接把它们拼接到一起，然后再加个壳，外观上构成一个器件，就是SiP（System in Package，封装系统），技术难度比较低，模块化较好，紧凑度差些，算是SoC的初级形式吧。

总结

FPGA像块生铁，自己怎么锻造就怎么用，CPU适应性强，怎么编程就怎么用，ASIC让你怎么用你就怎么用。SoC和SiP是多种芯片的融合体。各种芯片比较一遍，验证了一个朴素的道理，世上没有免费的午餐。性能（速度和功耗）、灵活性、价格三者，最多只能占两样。