1.1 为什么是 FPGA：可编程硬件的生态位

1.1 为什么是 FPGA：可编程硬件的生态位

本节摘要：FPGA（现场可编程门阵列）是一种能在制造完成后继续改写内部电路的芯片。本节用"能效比 × 灵活性"这把尺子，把它放到 CPU、GPU、ASIC 的计算谱系里定位，给出"什么时候该上 FPGA"的工程判据，并拆解其可重构性的物理来源——SRAM 配置单元与控制开关。

一句老话的来历

软件工程师第一次看到 FPGA 项目，常丢下一句话："你们就是在玩积木。"这话不好听，但方向是对的——FPGA 的英文全称 Field-Programmable Gate Array，字面意思就是"现场可编程的门阵列"。"现场"二字是全部奥义所在：别的芯片在出厂那一刻电路就焊死了，FPGA 的电路却可以到用户手里再"编程"。这个能力在 1985 年 Xilinx 推出第一款商用 FPGA 时是离经叛道的——当时主流观点认为，硬件就该一次做对，哪有出厂后还让客户随便改的道理。事实证明这个"怪主意"活到了今天，而且活得越来越好。

理解它为什么能改，要从制造工艺说起。FPGA 内部布满了海量的可编程开关，这些开关的状态由片上 SRAM 单元里存的一串比特决定。芯片上电后，SRAM 内容是空的，系统必须先从外部存储器（通常是 SPI Flash）把配置比特流加载进来，SRAM 单元才"记住"每个开关该合上还是断开，从而把成千上万个逻辑单元连成一个你设计的电路。

一个直接的工程后果：基于 SRAM 的 FPGA 断电即失忆，所以每次上电都要重放配置，启动时间比 MCU 慢。这是用灵活性换来的代价，接受它，后面所有环节都好理解。

能效与灵活性：一把尺子量四种平台

先别急着背定义。我们建立一个简单的坐标系：横轴是能效比（每瓦特能算多少），纵轴是灵活性（逻辑能不能改）。四个平台往上一摆，位置一目了然。

计算平台能效与灵活性定位图

图里的四个角值得记住：ASIC 能效最高但灵活性归零，CPU 灵活至极但能效垫底，GPU 靠海量并行卡在中间偏下，FPGA 独占"高灵活性 + 高能效"这个别人进不来的象限。这不是宣传话术，而是架构决定的：FPGA 不做取指译码、不维护缓存一致性，数据沿定制的通路直接流动，所以能效远高于通用处理器；它的电路又能随时重排，所以灵活性远超 ASIC。代价是时钟频率上不去（通常一两百兆赫兹量级，远低于 CPU 的数 GHz），以及单位逻辑的成本和功耗高于 ASIC。

四种平台的取舍账

纸上谈兵没意思，落到数字上才见真章。假设要把一段图像滤波算法搬到某个平台上：

读这张表有个关键判断：开发周期是隐性的最大成本。ASIC 流一次片动辄千万级费用、一年周期，算法稍有变动全部推倒；FPGA 改一版比特流只需要重新综合布局布线，几天就能迭代一轮。所以"标准尚未冻结、算法还在演进、量级又不够大"的产品，几乎只能选 FPGA——通信基站的协议更新、工业现场多协议网关、交易撮合的前端加速，都是这么活下来的。

什么场景该上 FPGA

把上面的讨论收成三条可操作的判据，项目立项时对着打钩：

• 算法变还是不变：算法一年内还可能大改 → FPGA；五年不变且量百万级 → ASIC。
• 延迟能不能等：微秒级甚至亚微秒级硬实时（高频交易、工业伺服、雷达）→ FPGA；毫秒级可接受 → CPU 足矣。
• 算力形态是否规则：规则的大规模并行（矩阵、卷积）→ GPU 更划算；不规则、数据流型、要求确定时延 → FPGA。

顺带说一个反例，避免把 FPGA 神化：深度学习训练用 FPGA 是常见的错误选择。训练需要灵活的浮点精度和海量显存带宽，FPGA 在浮点上吃亏，训练场景 GPU 优势明显；倒是推理（尤其是低精度、定制化算子的边缘推理）FPGA 常能反超。选型不是看名气，是看数据流形态。

一个真实的选型案例：协议网关

把三条判据用到具体产品上，看看"为什么是 FPGA"在现实里怎么落地。

背景：某工业设备厂商要做一个多协议网关，把现场设备的数据采集上来，转成统一格式上报云端。现场协议五花八门：Modbus、CAN、私有串口协议，而且每年都会冒出新的协议变种。

操作：方案对比——ASIC 方案：把主流协议做成固定芯片，开发周期一年以上，新协议一出就作废；CPU 方案：协议软件解析，灵活但延迟大、实时性差，现场总线时序要求苛刻，软件经常赶不上；FPGA 方案：协议栈做成硬件模块，现场需要哪个加载哪个，新协议来了重配比特流即可。

结果：最终选了 FPGA。原因按三条判据对号入座：协议在变（算法变还是不变 → FPGA）、总线有时序硬要求（延迟能不能等 → 硬实时必须 FPGA）、协议处理是典型数据流（算力形态 → 数据流型适合 FPGA）。成本虽然比 MCU 方案高，但避免了"每出一个新协议就重新流片或换板"的隐性深渊。

解读：这个案例最有价值的一点：FPGA 的采购成本高，但全生命周期成本低。把"换 ASIC 的流片费"和"协议迭代的改板费"算进去，FPGA 反而是便宜的选择。这是选型时最容易漏算的一笔账。

变式：同样的逻辑适用于无线通信的协议演进、视频编解码的标准更替、加密算法的升级——凡是"标准还在变、量又不够大"的领域，FPGA 都是那个"扛迭代"的选项。

💡 关键直觉：把 FPGA 想成一个"可以反复重写的专用芯片"。它贵在灵活性，用在 ASIC 不敢投、CPU 顶不住的地方，才是它的正确打开方式。

一句可被引用的总结

FPGA 站在"软件的灵活性"与"硬件的能效"之间的桥头：算法没定稿时它替你扛住迭代，算法定稿后它替你扛住性能，两头都接得住，两头都不完美。

本节要点回顾

• 现场可编程：SRAM 工艺的配置单元控制内部开关，出厂后仍可改电路，代价是断电失忆、启动需外部重放配置。
• 四象限定位：CPU 高灵活低能效，ASIC 高能效零灵活，GPU 卡在中间偏下，FPGA 独占高灵活高能效象限。
• 工程取舍：开发周期是隐性成本，算法未定 + 延迟敏感 + 量级不够大，就是上 FPGA 的时机。
• 反直觉点：FPGA 在推理上常优于 GPU，在训练上几乎总是输给 GPU，选型要按数据流形态定。
• 效率来源：数据沿定制数据通路流动，无取指译码、无缓存一致性开销——这是它高能效的根本原因。

下一步进入 1.2：既然 FPGA 这么能打，它内部到底堆了哪些"建材"？LUT、触发器、BRAM、DSP 逐一登场。