人工智能芯片的需求最初由训练主导，GPU 凭借通用性与成熟的制造工艺，是当前已量产芯片中唯一可用于 AI 训练的品类，因而占据主要市场份额。随着大模型逐步成熟并在下游应用端落地，适用于推断的 FPGA 与 ASIC 占比有望逐步提升，这正是产业的关键拐点所在。
训练与推断：两类芯片的不同取向
机器学习包含训练和推断两个步骤，通常需要两类不同的 AI 芯片来执行。
训练环节通过大数据训练出复杂的神经网络模型，计算量非常大，因此训练芯片更注重绝对的计算能力，要求能处理海量数据，同时具备一定通用性，以完成各类学习任务。
推断环节则是利用训练好的模型，使用新数据推断出结论，计算量相对小很多，因而更注重芯片的综合指标，侧重考虑能耗、时延、成本等性能。
云端推断为何成为关键拐点
在云端推断场景中，计算包含大量矩阵运算，但相比训练环节计算量较少，CPU 或 GPU 可以运算，也可使用 FPGA 以及 ASIC。在现阶段云端数据中心业务中，FPGA 以其灵活性和可深度优化的特点，有望继 GPU 之后在该市场爆发，并可处理用户实时计算请求以及小计量大批次的计算。
FPGA 的中文名称是现场可编程门阵列，是一种硬件可以重构的芯片，用户在使用过程中可通过软件重新配置芯片内部资源，实现不同功能。相比其他芯片，它更加灵活，同时具备开发周期短、效率高的特性，在人工智能或 5G 通信这类迭代升级周期频繁、技术不确定性较大的领域，是较为理想的解决方案。
从市场规模看，随着全球新一代人工智能以及自动驾驶等新兴需求兴起，全球 FPGA 市场规模预计将从 2021 年的 82.9 亿美元增长到 2025 年的 125.2 亿美元，年均复合增长率约为 10.8%；中国 FPGA 市场增长更快，预计 2021—2025 年规模复合增速为 17.1%。
竞争格局与国产进展
全球 FPGA 市场主要由海外巨头占据，赛灵思和 Altera 的市占率分别为 52% 和 35%。国内市场同样由海外厂商主导，但国产厂商已开始崭露头角，紫光国微、复旦微电和安路科技合计市占率在 2021 年超过 15%。
技术实力方面，国产厂商仍有较大差距。工艺制程和门级规模是评价 FPGA 产品性能的重要指标：当前国产厂商先进制程集中在 28nm，落后于国际 16nm 水平；国产厂商旗舰产品处于 200K 水平，约为 XILINX 高端产品的 25% 左右。在国产化加速推进的背景下，中国 FPGA 厂商有望快速追赶。
常见问题
FPGA 为什么在云端推断场景受到关注？
云端推断计算量较训练小，但更看重能耗、时延与成本。FPGA 具有灵活性和可深度优化的特点，可处理用户实时计算请求以及小计量大批次的计算，因此在现阶段云端数据中心业务中，有望继 GPU 之后在该市场爆发。
训练芯片和推断芯片的核心差异是什么？
训练芯片更注重绝对的计算能力，需处理海量数据并具备一定通用性；推断芯片计算量相对较小，更注重综合指标，侧重能耗、时延、成本等性能。目前 GPU 是已量产芯片中唯一可用于 AI 训练的品类，而 FPGA 与 ASIC 更适用于推断场景。
FPGA 与 ASIC 在推断市场各有什么特点？
FPGA 硬件可重构，开发周期短、效率高，适合迭代频繁、技术不确定性较大的领域；ASIC 为特定用途定制的集成电路，具有高性能、低能耗的特点，专用化程度最高。两者同样非常适合 AI 推断场景，未来占比均有望逐步提升。