时间：2024-08-09 来源：网络搜集 关于我们 0
当地时间2023年10月4日，英特尔（Intel）通过官网正式宣布，将负责开发英特尔的 Agilex、Stratix 和其他 FPGA 产品的可编程解决方案事业部（Programmable Solutions Group，PSG）拆分，作为独立业务运营，目标是在两到三年后IPO中出售部分业务。PSG的前身即为大名鼎鼎的全球第二大FPGA供应商Altera公司，其在1984年发明了世界上第一个可编程逻辑器件。2015年5月底英特尔宣布以167亿美元完成了对Altera的收购，成为了其后来的PSG部门，这也是英特尔史上规模最大的一笔收购。随后在2020年，英特尔的竞争对手AMD也宣布以350亿美元的估值收购全球第一大FPGA供应商赛灵思（Xilinx），这笔芯片行业创纪录的巨额并购交易，获得美国、中国等主要市场监管部门的批准，耗时一年半有余才尘埃落定。
FPGA两大巨头先后被CPU两大巨头收购，其背后的本质原因是两大巨头想通过FPGA补强其最赚钱的数据中心业务。八年时间，沧海桑田，度过七年之痒后，Intel与Aletera正式官宣”分手“。在此过程中，我们也注意到一个非常有趣的现象，即在AMD反复宣传Xilinx的收购对其数据中心业务有巨大帮助的额同时，为什么Intel要拆分他们的Altera？无论是作为商业世界的参与者、观察者，还是作为投资者，在面对一个行业现象时（尤其是这一现象时行业巨头展现的），我们不应浅尝辄止，满足于走马观花、看个热闹，而是应该深入考究这一现象背后的原因，力求拥有自己的独立思考逻辑框架。
需要说明的是，关于Intel为什么拆分FPGA业务，中科院计算所的老师、也是Intel出身的行业从业者老石谈芯在其B站视频《英特尔为何放弃FPGA：百亿收购失败？全网最深度解读》中已做过非常精彩的评述，大家有兴趣可以去看看。在此作为理科出身的金融从业者，我将从另一个角度出发谈一谈自己的理解，虽有班门弄斧之嫌，但也不失为自己思考的一个总结。我们将分三个部分对这一问题进行探讨：首先是梳理数据中心“选芯”史，即随着数据中心的发展，不同种类芯片的选择是如何进行的，以考察各类芯片在数据中心中的作用；其次回答为什么AMD反复宣传FPGA对其数据中心业务发展的帮助；最后简单分析为什么Intel选择拆分FPGA业务。
1、数据中心“选芯”史
要梳理数据中心的芯片，首先要明白什么是数据中心。根据《中国信通院中国第三方数据中心运营商分析报告》的定义，数据中心作为数据产生、汇聚、融合、传输的重要场所，是承载算力的物理实体，是传统产业数字化转型的催化剂，是数字产业快速发展的动力引擎，是我国新基建的核心组成部分。专业报告中的定义用词准确，但相应地不够通俗易懂。对上面定义翻译翻译就是，数据中心是一堆服务器的集合，由于服务器的核心又是芯片，因此数据中心本质上可以视作芯片的资源池。
数据中心的芯片最重要的是逻辑芯片。我们在《半导体系列5-半导体行业研究：集成电路之数字芯片中的逻辑芯片》中已经介绍过，逻辑芯片主要包括四大类：CPU、GPU、ASIC、FPGA，数据中心的选芯也主要基于这四类芯片进行。
我们需要知道，技术的进步往往是在实践中为解决一个个需求而产生的，因此并不是一开始就有了这四类逻辑芯片。相反地，起初的计算机只使用CPU，此后随着CPU算力达到瓶颈、通用计算时代终结，人们开始发明了其他架构的芯片。这也是为什么近年来诸如TPU、MPU、DPU等“X”PU们层出不穷的核心原因。
具体地说，随着我们信息社会从互联网时代向物联网时代发展，万物互连，万物智能，海量数据对算力产生了海量需求，尤其是自2010年AI兴起，AI模型训练所需要的算力更是爆发式增长。根据IDC 统计，全球算力需求平均每 3.5 个月翻一倍。
另一方面，从发明以来CPU算力的提升主要依赖两大法宝：提高时钟频率和增加内核数量，但两者都在面临瓶颈。对于前者而言，虽然越高的时钟频率意味着每秒可执行的运算次数越高，但随着电压下降到0.6v的“底限”，Dennard Scaling（Dennard缩放定律）在05年开始崩溃，再提高时钟频率就会使得功耗以指数级别增长，从而击破功耗预算；对于后者而言，由于核间调度有功耗和时延，而数据中心的散热技术约束了功率增长，将会导致处理器上许多核无法同时工作（即暗硅效应），核数的增长也遇到了瓶颈。
在此情况下，算力提升与数据增幅呈现巨额剪刀差。从CPU性能与网络带宽的过往发展趋势来看：网络带宽CAGR从2010年前的30%，提升至当前的45%；与之相对应的CPU性能CAGR从2010年前的23%，下降至当前的3.5%；RBP指标从1附近上升到10以上，远期将超30倍，CPU应对网络带宽增长带来的计算需求压力不断增大。因此，人们开始放弃“一个CPU打天下”的念头，决定扩充芯片资源池的种类，将某些重复的场景卸载到专用的加速器，为CPU“减压”，以达到降低功耗、提升性能的目的，由此产生了众多“XPU”。
要想突破CPU的能力瓶颈，就需要进行芯片架构设计上的突破。从架构来看，CPU是冯诺依曼架构下的处理器，遵循“Fetch（取指）-Decode（译码）- Execute（执行）- Memory Access（访存）-Write Back（写回）”的处理流程，该处理流程称为SISD（Single Instruction Single Data）GPU虽然也是冯诺依曼架构，但其遵循SIMD（Single Instruction Multiple Data）的处理方式，可以在多个线程上进行统一处理。FPGA则是由用户自定义处理流程，可以直接决定片上的CLB(Configurable Logic Block，可编程逻辑块)是如何相连的，数十万个CLB可以独立运算，即SIMD、MISD（Multiple Instruction Single Data）和MIMD（Multiple Instruction Multiple Data）的处理都可以在FPGA实现。ASIC则是专用集成电路，具有定制化的架构属性。
SISD的处理方式决定了CPU擅长决策和控制，但在并行处理任务中效率较低。GPU去除了现代CPU中分支预测、乱序执行、存储预取等模块，也减少了许多cache的空间，其经简化后的“核”能实现非常大规模的并行运算，并且节省了大部分CPU分支预测、任务重排的时间。因此，GPU非常适用于诸如图形图像、深度学习、矩阵运算等方面的计算。FPGA由于处理流程已经映射到硬件上，不需要再额外花费时间获取和编译指令，同样不需要像CPU一样花费时间在乱序执行等步骤，因此在数据处理中具有非常高的实时性。ASIC的定制化保证了其在特定场景下效率也更高。
因此相比于CPU，三者的效率都更高，所不同的是ASIC的硬伤更明显，那就是极其不灵活，虽然限定场景内性价比高，但一旦场景改变，ASIC就很难应对。因此只有头部大企业才有能力和资本使用，如TPU就是谷歌为张量计算专门开发的。对于大部分数据中心而言，主要考虑的还是GPU与FPGA，我们接下来的讨论也聚焦于此。
数据中心给CPU减压进行的选芯也主要是基于这三者进行的，也为各类芯片选定了它们的生态位，即CPU承担决策和控制、GPU承担计算密集型任务，而将原本属于CPU的IO数据的预处理和后处理,包括网络类任务(虚拟网络、IPSec等 )、存储类任务(分布式存储、数据加解密、数据压缩、数据冗余算法等 )、虚拟化加速 (虚拟化整体Ofoad，业务管理分离 )、安全和认证类的任务 (Root ofTrust 等).卸载给其他芯片，人们将这种因数据中心而生的芯片称为DPU（Data Processing Unit，数据处理单元或数据处理器）。DPU也被称为大数据时代的”第三颗主力芯片“。
新的芯片选定也带来了数据中心整体架构的重构，数据量大于计算量之后，DPU应运而生，整个计算的模式就从计算驱动变成了数据驱动。在DPU出现之前，网络数据处理逻辑以CPU为中心，按顺序执行，即传输终点为GPU、DSA（Domain Specific Architecture，特定领域架构，即特定领域定制芯片）、主存的数据流都必须经过CPU调度。DPU出现后则将数据集中处理、调度，不仅能够缩短数据所需经过的路径、减轻CPU负担，还能在提高数据处理效能的同时，降低其他计算芯片性能损耗，最终显著提升计算系统整体性能。
DPU具有独立计算单元，可按技术路线划分为三大类，包括基于ASIC、FPGA和SoC三大类，其中SoC技术路线是基于MP (众核)设计的DPU（如 FPGA + CPU、ASIC+CPU），其又有两条分支，包括SoC-GP (通用处理器)和SoC-NP (网络处理器)。不同技术路线的产品各具优劣，综合来看，SoC为DPU最佳的技术路线。
2、FPGA对AMD数据中心业务发展的帮助
通过上面的介绍我们已经知道数据中心三大核心芯片包括CPU、GPU与DPU，而FPGA又是DPU的最主要的实现方式之一。在此，我想深究一下FPGA与AMD本来的业务GPU的详细区别（这也决定了其在数据中心的生态位）后，再来回答这一问题会更加清晰。这些区别的核心原因仍是两者的架构不同。
首先是核数和频率，GPU的架构在电路实现上是基于标准单元库，因此想增加核数只要增加芯片面积就行。标准单元库也决定了其在关键路径（即芯片中一个时钟周期内延迟最长的路径，其直接决定了电路最高运行速度）上可以定制电路和布线，甚至必要时可以让FAB厂依据设计需求微调工艺制程，因此可以让许多核同时跑在非常高的频率。FPGA里面的逻辑单元是基于SRAM-查找表，其性能较GPU里面标准逻辑单元要差很多，一旦型号选定了逻辑资源上限就确定了（浮点运算在FPGA里会占用很多资源），核数有限。而且，FPGA的布线资源也受限制，有些线必须要绕很远，也会限制其时钟频率。
其次是功耗。GPU依赖片外存储的处理流程，以英伟达的GPU为例，使用CUDA进行训练，主要有四个步骤：（1）将数据从CPU的DRAM复制到GPU的存储中；（2）CPU 加载需要进行的计算即Kernel到GPU中；（3）GPU执行CPU发送过来的指令；（4）GPU将结果最终存回CPU的DRAM中，再进行下一个Kernel的计算。因此，CUDA涉及了两次存储读写。而FPGA可以将第一个Kernel的结果缓存到片上星罗棋布的BRAM中，完全可以不需要读写外部存储就能完成整个算法。由于读取DRAM所消耗的能量是SRAM的100倍以上，是加法的6400倍，GPU这一需要频繁读取DRAM的处理，使其功耗远高于FPGA。一片FPGA的典型功耗通常是30W ~ 50W，而单片GPU功耗就可以高达250W ~ 400W。
最后是时延和灵活性。GPU通常需要将不同的训练样本划分成固定大小的“Batch（批次）”，为了最大化达到并行性，需要将数个Batch都集齐，再统一进行处理。FPGA的架构是无批次（Batch-less）的，可以根据数据特点确定处理方式，不需要像GPU一样将输入的数据划分成Batch，每处理完成一个数据包，就能马上输出。GPU需要等待批次的特点，使其时延要高于FPGA。灵活性方面，GPU的接口单一，只有PCIe一种，而FPGA的可编程性使其能与任何的器件进行通信，能够适应任何的标准和非标准的接口。
在数据中心服务器端，峰值性能、灵活性、平均性能、功耗和能效比这几个指标是决定采取哪一个芯片的核心考量。
FPGA在功耗、灵活性、时延方面显然好于GPU。因此FPGA在架构上可以根据特定应用优化所以比GPU有优势，但是GPU的运行速度（>1GHz) 相比FPGA有优势 (~200MHz)。除了芯片性能外，GPU相对于FPGA还有一个优势就是内存接口。GPU的内存接口（传统的GDDR5，最近更是用上了HBM和HBM2）的带宽远好于FPGA的传统DDR接口（大约带宽高4-5倍）。所以对于平均性能，看的就是FPGA加速器架构上的优势是否能弥补运行速度上的劣势。如果FPGA上的架构优化可以带来相比GPU架构两到三个数量级的优势，那么FPGA在平均性能上会好于GPU。如百度在HotChips上发布的文章显示，在矩阵运算等大批量计算上GPU的平均性能远好于FPGA；但是在处理服务器端的少量多次处理请求（即频繁请求但每次请求的数据量和计算量都不大）的场合下，FPGA平均性能更好。
经过以上的分析，我们很容易得出结论，在数据中心和人工智能领域，GPU更适合承担高算力任务，FPGA更适合承担低算力任务和网络任务。同时两者不是非此即彼的关系，而是相互补充、分工合作的关系。因此AMD收购赛灵思以及反复宣传FPGA对其数据中心业务（也是其最赚钱的业务部门）是非常正常的。
首先，收购赛灵思获得FPGA业务后对AMD整个产品生态都是一个非常重要的补充。AMD获得了行业龙头赛灵思的人才和能力，与自有的CPU、GPU一起集齐了三个主力芯片，相当于拥有了完整的高性能计算体系，实现1+1+1>3的结果，并且一举超过了老对手英特尔，成为FPGA领域占有率最大的公司。此外，赛灵思ACAP（自适应计算加速平台）芯片技术，也为数据中心芯片业务未来的发展提供了想象空间和技术储备。因为不要忘了，技术的发展不是直线式的，而是螺旋式上升、波浪式前进的。
其次，同时拥有CPU、GPU和FPGA能力的AMD，也为新的产品形态拓展提供了可能。我们上面已经谈到，基于SoC技术路线的DPU可能为最佳路径。SoC技术路线的核心是通过堆叠处理器核提高可编程性，实现整体性能的提高，且能够降低成本。收购FPGA业务恰好给了AMD更宽广的能力范围。比如现在FPGA一般都以PCIe扩展卡的形式与CPU。这其实并不是很方便，也很影响性能和功耗。英特尔曾经希望把CPU和FPGA两个芯片做在一起，但因各种原因没有成功。如果AMD借此机会尝试成功，那将大大提高其在数据中心的竞争力。
最后，收购赛灵思意味着除了数据中心之外，AMD将借助FPGA业务进入工业、汽车、通信等等细分市场，进一步将触手扩展到更多领域。这是因为FPGA的低时延和低功耗优势非常适用于边缘计算领域（受限于网络条件和时延，许多决策来不及上传云端，只能本地执行，这就是边缘计算，其通常面临时延和功耗两大约束）。AMD本身的CPU和GPU在边缘计算领域相对于FPGA处于劣势，收购FPGA能补上其应用领域的短板。
3、Intel为何拆分FPGA业务
在回答这个问题之前，我们需要再次强调，技术的发展和技术路径的选择不是直线式的，而往往是螺旋式的上升、波浪式的前进。因此需要明白Intel收购FPGA业务和现在要拆分FPGA业务时面临的环境变化、技术路线变化可能是其拆分FPGA业务的主因。即确如AMD所说FPGA对数据中心有帮助，但现在的帮助并不如收购时想象的那么核心。
如上所说，FPGA相对于GPU的优势是灵活性和低功耗，尤其是灵活性使得它可以根据不同的应用需要，改变自己的功能，性能还比CPU要高，功耗比GPU要低（因此成本也低），适用范围比专用芯片ASIC要广。基于这种优势，其特别适用于那种仍在蓬勃发展中、但相关的标准和算法还没有实现统一的场景。这恰恰是在Intel收购Altera，甚至是AMD收购Xilinx的彼时，大数据和人工智能领域之时的情况。这也是它之前人工智能和数据中心领域拥有无限可能的核心原因，甚至有可能承担训练芯片的任务。
在大模型出来之后，人工智能的标准和算法似乎突然清晰起来各家也对此倾情押注，不计成本展开军备竞赛。在AGI的大模型框架下，智能随着规模涌现，算力成为绝对的王道，特别是在数据中心和大模型训练领域，峰值性能、平均性能成为压倒性的指标考量。FPGA独特的灵活性和低成本优势已经被GPU简单粗暴的算力优势降维打击。其成为训练芯片的可能性大大降低，应用依然是搭配CPU承担任务卸载功能或者是承担边缘侧的推理任务功能。
此外叠加FPGA超长的生命周期，其在数据中心的使用量天花板肉眼可见的降低，这也使得这个业务变成稳定的现金奶牛，显得不那么性感了。再加上Intel未来几年2000亿美元投资计划带来的现金需求，都是促成Intel拆分FPGA业务的原因。
至此，我们分析了数据中心的主要芯片，也深刻体会了技术路线之间不断竞争带来的剧烈变革。我们坚定相信变革是好的，坚定拥抱技术进步和现金生产力，因为往往是它们带来无数新的投资机会，也会给所有人带来普惠的福祉。历史证明，虽有坎坷，但人类对新技术总会应用得当。
