FPGA（FieldProgrammableGateArray）现场可编程门阵列，作为ASIC领域中的一种半定制电路而出现已有30年的历史了，它既解决了定制电路的无法改变功能的不足，又克服了原有可编程器件门电路数有限的缺点，可应用的场景也很广泛。
就在2017年1月20日，腾讯云推出国内首款高性能异构计算基础设施——FPGA云服务，利用云服务的方式将只有大型公司才能长期支付使用的FPGA服务推广到了更多企业。企业可以通过FPGA云服务器进行FPGA硬件编程，可将性能提升至通用CPU服务器的30倍以上。同时，与已经深入人心的高性能计算的代表GPU相比，FPGA具有硬件可编程、低功耗、低延时的特性，代表了高性能计算的未来发展趋势。
而在人工智能（AI）里面火热的深度学习领域，企业同样可以将FPGA用于深度学习的检测阶段，与主要用于训练阶段的GPU互为补充，FPGA还可应用于金融分析、图像视频处理、基因组学等需要高性能计算的领域，是这类对效率要求高的行业应用的最佳选择。
基于此，InfoQ采访了由腾讯云基础产品中心、腾讯架构平台部组成的腾讯云FPGA联合团队，向读者介绍FPGA的基本原理和设计初衷，应用场景以及它给行业带来的价值。
腾讯云FPGA的开发历史及背后的团队力量
随着芯片制程逼近理论极限，可以预见通用处理器（CPU）性能提升空间越来越有限。而腾讯自己的业务随着移动互联网的快速增长，数据体量的急剧膨胀，伴随着对这些数据的计算需求也在迅猛上涨。腾讯在2013年开始考虑如何解决计算需求的增长，而FPGA作为一种可编程的加速硬件彼时进入了大家的视野。有了解决计算需求的想法后，需要通过实践验证FPGA实际的能力。
腾讯的QQ、微信业务，用户每天产生的图片数量都是数亿级别，常用的图片格式有JPEG格式、WebP格式等，WebP图片格式比JPEG图片格式存储空间小30%。为节省存储空间，降低传输流量，提升用户的图片下载体验，通常采用WebP格式进行存储及传输分发，而图片转码所带来的计算消耗需要上万台CPU机器支撑。自然FPGA开发落地的第一个切入点就是图片转码：将JPEG图片格式转成WebP图片格式。
在图片转码的实践中，FPGA联合团队取得了FPGA处理延时相比CPU降低20倍，FPGA处理性能是CPU机器的6倍，验证了FPGA能进行计算加速的能力，同时也增强了FPGA联合团队的自信心。
（图1）图片转码中FPGA和CPU延时对比
（图2）图片转码中FPGA和CPU吞吐率对比
图片转码项目完成后，深度学习映入了FPGA联合团队的眼帘，一方面深度学习需要密集的计算，另一方面深度学习在未来应用上有着巨大的商业价值。深度学习基于深度神经网络理论，用在图片分类的神经网络是其中的一个分支：卷积神经网络（CNN）。团队使用FPGA对CNN计算进行加速，增强违规图片检测能力，最终在深度学习的实践中取得了FPGA处理性能是CPU机器4倍的战绩。
腾讯云FPGA项目实践的结果，见证了FPGA在数据中心里可以提供强大的计算能力和足够的灵活性，来应对数据中心对硬件加速的挑战。经过之前的FPGA实践，FPGA联合团队获得了在数据中心使用FPGA的经验，未来也将在数据中心的计算、网络、存储三个方向进一步探索，重构数据中心基础架构。
云端的数据中心业务日新月异，更需要一种高性能、高灵活的底层硬件结构，所以FPGA联合团队通过云端开放FPGA计算服务，从硬件层面加速云计算在各个场景中的应用，降低企业的使用门槛和成本。
FPGA的特点解析
2016年3月，英特尔宣布正式停用“Tick-Tock”处理器研发模式，未来研发周期将从两年向三年转变。至此，摩尔定律对英特尔几近失效。一方面处理器性能再无法按照摩尔定律进行增长，另一方面数据增长对计算性能要求超过了按“摩尔定律”增长的速度。