在云端数据中心业务中，FPGA 以灵活性和可深度优化的特点，有望继 GPU 之后在该市场爆发。它擅长处理用户实时计算请求以及小计量大批次的计算，这恰好对应人工智能从模型训练走向应用落地后，推断类任务占比逐步提升的趋势。产业链分工也随之变化：上游看 EDA 工具、可编程 IP、晶圆代工与封装，中游是 FPGA 芯片设计与板卡厂商，下游则落在云服务商、实时推理与流式计算场景。

为什么推断环节更适合可编程逻辑

机器学习分为训练和推断两步。训练依靠大数据训练出复杂的神经网络模型，计算量非常大，更注重绝对计算能力；推断则是用训练好的模型处理新数据、得出结论，计算量相对小很多，更侧重能耗、时延、成本等综合指标。

FPGA 的中文名称是现场可编程门阵列，是一种硬件可重构的芯片——用户在使用过程中可以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，它更灵活，同时具备开发周期短、效率高的特性，在人工智能、5G 通信这类迭代升级频繁、技术不确定性较大的领域，是较为理想的解决方案。

数据中心里 FPGA、GPU、ASIC 如何分工

在主流 AI 服务器采用的 CPU+XPU 异构架构中，CPU 负责读取和准备数据，并把数据传输给 XPU 计算；GPU、FPGA、ASIC 等 XPU 才是 AI 计算的核心，承担大规模并行计算。

品类特点在数据中心中的位置
GPU通用性较强，适合大规模并行计算，设计及制造工艺较成熟目前唯一可用于 AI 训练的已量产芯片，占据 AI 芯片市场主要份额
FPGA开发周期短、可配置，硬件可重构适合 AI 推断，可处理实时计算请求与小计量大批次计算
ASIC按特定需求定制，专用化程度最高同样适合 AI 推断，是当前大部分 AI 初创公司开发的目标产品

需要说明的是，FPGA 与 ASIC 各有侧重，谁更占优需以后续第三方实测与公开数据验证。目前探索云服务器+FPGA 芯片模式的公司包括阿里云、亚马逊、微软等。

产业链分工与竞争格局的变化

上游环节，EDA 工具、可编程 IP、晶圆代工与封装构成 FPGA 的基础支撑；工艺制程直接影响芯片的功耗、性能和成本，门级规模则代表产品可开发的潜力。中游是芯片设计与板卡厂商。下游则是云服务商以及实时推理、流式计算等场景。

竞争格局方面，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%；国内市场同样由他们主导，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的合计市占率在 2021 年超过了 15%。

技术实力上，国产厂商仍有较大差距：先进制程集中在 28nm，落后于国际 16nm 水平；旗舰产品处于 200K 门级水平，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

云端推断 FPGA 和 GPU 是替代关系吗？

不是简单的替代。GPU 通用性较强，是目前唯一可用于 AI 训练的已量产芯片；FPGA 则更适合推断环节，可处理实时计算请求和小计量大批次计算。两者在数据中心中承担的任务不同，更可能形成互补。

为什么实时请求和小批量大批次任务更适合可编程逻辑？

FPGA 是硬件可重构芯片，用户可通过软件重新配置内部资源来实现不同功能，因此开发周期短、效率高。面对迭代频繁、技术不确定性较大的场景，这种灵活性让它可以针对具体任务做深度优化，而不必为固定用途重新流片。

国内 FPGA 厂商目前处于什么水平？

国产厂商已具备一定规模，紫光国微、复旦微电和安路科技的合计市占率在 2021 年超过 15%，但技术实力还有差距：先进制程集中在 28nm，旗舰产品门级规模约为 XILINX 高端产品的 25% 左右。