正文
随着 AlexNet的划时代论文横空出世，于是GPU 在服务器端横扫天下。
有人会问，CPU和GPU，都是处理器，两者有什么不同？
与CPU相比，GPU 出现得远比 CPU 晚，但并行计算能力能却常令CPU望尘莫及。并行计算是相对于串行计算来说的。要知道，自计算机诞生以来，电脑编程几乎一直都是串行计算，绝大多数的程序只存在一个进程或线程，好比一个人只能先吃饭再看聊天。
但更多人喜欢边吃饭边聊天怎么办？遇到这类问题，串行计算就傻眼了。并行计算一次可执行多个指令的算法，能够完美解决吃饭聊天难题。解决方式可分为时间上的并行和空间上的并行。时间上的并行就是指流水线技术，而空间上的并行则是指用众多个处理器并发的执行计算。
深度学习所依赖的是神经系统网络，通常网络越深，需要的训练时间越长。对于一些网络结构来说，如果使用串行的X86 处理器来训练的话，可能需要几个月、甚至几年，因此必须要使用并行甚至是异构并行的方法，才有可能让训练时间变得可以接受。
在当前的人工智能芯片领域，GPU的应用领域不容小觑，据Jon Peddie Research（简称JPR）市场调研公司统计，在2008至2015年期间，除了2008年GPU市场规模稍有下降，其余年份全球独立显卡的出货量和销售额都呈现出明显的上升趋势，并且在2012至2015年有加速上升的表现。
GPU领域只有两大公司，一是英伟达，占市场份额约7成，另一位则是万年老二AMD，占市场份额约3成。
从GPU用户数量来看，根据英伟达2016年的财务报告，相比2013年的100家，2014年的1549家，2015年已有3409家机构或企业使用英伟达的GPU产品，从事人工智能的研究。这些企业和机构包括各大高等院校的人工智能实验室，互联网企业，军事企业等。
AMD虽然落后于英伟达，但2016年的市场份额已呈现出上升趋势，在发布了代号Vega织女星的GPU芯片，市场一片叫好，未来可能有继续上升的趋势。
不足的是，GPU 的很费电（比如高端显卡动辄200W+），一旦开启，散热就成了麻烦事。
FPGA一帮
GPU美中不足的是就是太贵了，太贵了，而且有副作用，降温是大个问题。怎么办？
赛灵思等公司改进了FPGA许多技术，使之价格便宜功耗又很低，操练起来更有趣。于是，跟随FPGA的越来越多，形成了一大流派。
FPGA是从哪里来的呢？
原来早在1984年赛灵思就发布世界上首款FPGA，当时的FPGA晶片尺寸很大，但成本却不低。1992年后，FPGA因采用新工艺节点，第一次出现了在FPGA上实现卷积神经网络。但直到2000年后，FPGA丹法结合了“易容术”后才略有小成，易容术是指FPGA 已不仅是门阵列，还是集成有可编程逻辑的复杂功能集。2008以来，FPGA不光可以越来越多地整合系统模块，集成重要的控制功能，还可以使用更高效的系统编程语言，如OpenCL和C语言，通过类似软件的流程来编程，降低了硬件编程的难度。于是，自2011年开始，出现了大规模基于FPGA的算法研究。
简单来说，FPGA 全称“现场可编程门阵列”(Field Programmable GateArray)，其基本原理是在 FPGA 芯片内集成大量的数字电路基本门电路以及存储器，而用户可以通过更新FPGA 配置文件，来定义这些门电路以及存储器之间的连线。
这里提及的“可编程”，完全就是“可变成”。这意味着你今天可以把 FPGA 配置成一个微控制器 MCU，明天就可以更新配置文件把同一个 FPGA 配置成一个音频编解码器。你是不是想起了孙悟空七十二变，今天是个老头明天是个少女？此乃易容术也。
不同于GPU的运行原理，FPGA是以门电路直接运算的，即编程中的语言在执行时会被翻译成电路，优势是运算速度快。
在很多领域FPGA的性能表现优异，以至于有人说FPGA可能会取代CPU和GPU成为将来机器人研发领域的主要芯片。当然，这事有点夸张。目前来看FPGA也多作为CPU的协处理器而出现，冲击GPU是显而易见的，但要说取代CPU，还得等等。
目前，国内有许多创业企业，自动加入FPGA阵营，提供基于FPGA的解决方案。比如源于清华大学的深鉴科技，专注于深度学习处理器与编译器技术，深鉴科技研发了一种名为“深度压缩”的技术，它不仅可以将神经网络压缩数十倍而不影响准确度，还可以使用“片上存储”来存储深度学习算法模型，减少内存读取，大幅度减少功耗。
FPGA流派的厂商有两大两小，两大分别是赛灵思、Altera（英特尔于2015年以167亿美元收购Altera），两小是Lattice和Microsemi。
其中，赛灵思和Altera占据了近90%的市场份额，两人旗下的专利超过6000项。而剩下约10%的市场份额，由Microsemi和Lattice瓜分，这两位的专利也有3000余项。由此可以看出，极高的技术门槛将其它希望进入FPGA市场的厂商牢牢挡在门外。
FPGA也有两大局限性。
第一，FPGA的峰值性能不如GPU。
即便使用高端的服务器做FPGA编译都会需要数分钟的时间，放到移动端速度还会更慢。但FPGA的功耗低于GPU，若FPGA的架构和配置合理，从能耗比的角度上来看，则能超过GPU。
