在人工智能推动下，FPGA 的应用重心经历了从云端推断向边缘推断迁移的关键拐点。早期，AI 芯片按训练与推断分工，训练以 GPU 为主，推断则可选用 CPU、GPU、FPGA 与 ASIC；阿里云、亚马逊、微软等厂商曾探索“云服务器+FPGA 芯片”模式，云端数据中心业务中 FPGA 凭借灵活性和可深度优化特点，有望继 GPU 之后在该市场爆发。 随着大模型逐步成熟并向下游落地，适用于推断的 FPGA 占比有望提升，其应用路线进一步延伸至终端智能安防等边缘场景。
拐点一：从训练主导到推断需求上升
AI 芯片大体分为训练与推断两类。训练计算量庞大，目前应用最多的仍是 GPU；推断计算量相对较小，更侧重能耗、时延与成本。由于大部分大模型仍处开发阶段，训练芯片需求更大，而随着各类大模型成熟并在生产生活中逐步应用，推断类 AI 芯片占比可能逐步提升，这为 FPGA 打开了空间。
拐点二：云端推断的“云服务器+FPGA”探索
在云端推断环节，矩阵运算量大但较训练少，CPU、GPU、FPGA、ASIC 均可参与。阿里云、亚马逊、微软等公司探索了云服务器+FPGA 芯片模式。FPGA 可处理用户实时计算请求以及小计量大批次的计算，在云端数据中心业务中，以其灵活性和可深度优化特点，有望继 GPU 之后在该市场爆发。
拐点三：边缘推断与终端智能安防落地
未来人工智能应用场景对终端设备推断能力要求高。FPGA 是低功耗异构芯片，开发周期快、编程灵活。基于 CPU 的传统计算架构无法充分满足人工智能高性能并行计算需求，需要 FPGA 等专属芯片。人工智能领域解决方案正从软件演进到软件+芯片，在终端智能安防领域，已有厂商采用 FPGA 方案实现 AI 硬件加速。
常见问题
FPGA 在 AI 中主要承担训练还是推断？
FPGA 主要适用于推断。训练计算量庞大，目前应用最多的是 GPU；推断更注重能耗、时延、成本等综合指标，FPGA 具有开发周期短、可配置性等特点，在 AI 推断市场潜力巨大。
为什么 FPGA 适合终端智能安防？
终端设备对推断能力要求高，且需要低功耗与灵活开发。FPGA 是低功耗异构芯片，开发周期快、编程灵活，能适配终端智能安防的 AI 硬件加速需求，目前已有厂商采用该方案。
云端数据中心里 FPGA 的前景如何？
在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，可处理用户实时计算请求以及小计量大批次的计算。