FPGA vs GPU：誰是未來大局所向？_DAN:BOGDANOFF

Author：

Time：1900/1/1 0:00:00

編譯|有條魚出品|礦視界一直以來，FPGA的主要應用領域是電子工程。但當英特爾完成對Altera的收購時，情況發生了一些細微改變。英特爾對FPGA所蘊藏的潛力有著強烈的嗅覺和敏銳的洞察力，收購完成后，即刻開始幫助微軟公司建立數據中心并利用云服務給亞馬遜提供相關幫助。但關于FPGA到底是什么，許多礦工可能仍然心存疑問。FPGA有何優勢？FPGA有何劣勢？FPGA會在GPU挖礦陣營中脫穎而出，成為主角嗎？此篇文章將會就以上礦工存疑問題，對FPGA進行一個概述。

Succinct宣布關于構建Optimism遠程靜態調用概念驗證RFP的申請已被Optimism基金會接受:7月28日消息，Succinct在社交媒體上表示，其提交的關于構建Optimism遠程靜態調用概念驗證RFP的申請已被Optimism基金會接受。如果實現集成功能，將允許用戶在任何L2合約通過使用預編譯來查詢L1狀態，包括為L2上的DeFi協議讀取Chainlink的L1數據，根據L1ERC20代幣余額加權對L2進行治理投票。[2023/7/28 16:04:06]

何為FPGA？

FPGA是一種比ASIC更容易制造的集成電路，不同于ASIC的是，FPGA可重新進行電路設計和配置。對于FPGA礦工來說，這一點使得他們可以挖取多種算法支持的多個幣種。優劣勢

美國CFPB要求強制執行針對Jack Dorsey旗下加密應用Cash的調查要求:金色財經消息，美國消費者金融保護局（CFPB）要求美國聯邦法官強制執行兩項針對加密應用Cash的調查要求。CFPB指出，這家由前推特創始人Jack Dorsey領導的數字支付公司（Block）尚未提供CFPB在2020年8月和2021年8月索要的調查文件和數據。（彭博社）[2022/8/22 12:39:56]

01.延遲性FPGA最大的優勢之一就是它極其微小的延遲。現場可編程門陣列具有極其微小延遲的原因在于，它無需依賴于通用OS，也無需通過通用總線即可完成通信。這對其他的硬件設備來說很難實現，即使是高質量的CPU也會有50微秒的延遲，但到了FPGA身上，這個時間會被縮短到1微秒。具有極低延遲功能的現場可編程門陣列在需要微小延遲的場合中能大放異彩。比如，在噴氣式戰斗機的自動操作和高頻算法交易中，我們都可以看到它的身影。

Roger Ver：建議IFP支持者出售BCH以換取DASH:金色財經報道，BCH聯合創始人、bitcoin.com創始人Roger Ver昨日在Reddit上推廣了DASH。Ver稱，點對點電子現金已經存在，它是DASH，建議IFP（基礎設施融資計劃）的支持者們出售他們的BCH來換取DASH。[2020/8/19]

02.能效率專用集成電路(ASIC)在單一算法的速度上相較于FPGA更勝一籌，但其進行較大規模機器集群的初始投資極高。FPGA在數字貨幣挖礦方面優于GPU，因為它們運行出色且極具能效率。除了高能效運算的優點之外，FPGA還具有一個優勢——它的高效性無需主機運行來支持。03.工程費雖然FPGA在以上方面有較大的優勢，但其用于配置和編程的費用卻遠遠高于基于指令架構的GPU。硬件電路通常使用諸如VHDL和Verilog之類的硬件描述語言來編寫。

Cardano基金會近期引入了FP Complete對開發團隊IOHK完成的工作進行獨立審計:Cardano基金會近期引入了FP Complete對開發團隊IOHK完成的工作進行獨立審計，隨后將進一步審核Cardano區塊鏈協議，并提出改進建議。FP Complete由微軟內部開發，是Haskell商業級工具和工程供應商，Haskell是用于構建Cardano第三代區塊鏈協議的函數式編程語言。從2月份開始，Cardano基金會和FP Complete將定期發布報告，并詳細介紹審計結果。ADA現全球均價0.65美元，漲幅5.78%，市值排名第5位。[2018/1/26]

而到了編程，則要使用多種編程語言之一來完成。04.高層次綜合高層次綜合是一種不斷擴大的趨勢，具體表現為可以使用常規編程語言和高層次抽象對FPGA進行編程操作。但撇開所有在編程方面取得的技術性進展與突破，FPGA的編程至今仍是一項艱巨的工作。

除此之外，編譯期也是現場可編程門陣列的一大缺點。舉個例子，如果使用IntelOpenCL編譯器，則編譯一個典型的FPGA程序需要4到12個小時。為了實現性能優化，程序員經常需要進行通宵編譯。05.連接性我們反過頭來看看GPU，對于數據上的傳輸，它更依賴于OS和標準化總線。FPGA則不依賴于這些參數，它們的優勢就在于能夠使用戶以較小的延遲獲得更高的帶寬。實際上，FPGA可直連數據源，例如網絡接口和傳感器。FPGA和GPU的浮點數之爭

為了使用諸如深度學習之類的高性能計算功能，用戶只能高度依賴具有出色浮點性能計算能力的GPU，而FPGA在浮點算法上的效率則略顯低下。在一般的浮點運算中，浮點單元需要大量資源并且必須由邏輯塊組裝而成。然而劇本到了FPGA上就變了，由于FPGA結構中已包含浮點單元，能效率可以因此得到顯著提高。雖然就目前的情況而言，先進的GPU比起FPGA具有更優能效，但在不久的將來，現場可編程門陣列肯定會在浮點計算方面趕超GPU，獲得這場能效計算之戰的勝利。