FPGA为何被黄仁勋推上前台
？

2026年3月16日
，
GTC大会上
，
英伟达创始人兼CEO黄仁勋把一个新的平台推到台前：Vera Rubin
。


按照英伟达发布的信息
，
Vera Rubin不是一颗单独的GPU
，
也不是一台普通服务器
，
而是一套面向下一代AI工厂的系统级平台
。
它包括Vera Rubin NVL72 GPU机架、Vera CPU机架、Groq 3 LPX推理加速机架、BlueField-4 STX存储机架和Spectrum-6 SPX以太网机架
。
黄仁勋在发布中称
，
Vera Rubin由七颗突破性芯片、五类机架和一台巨型超级计算机组成
，
目标是支撑AI从训练、后训练到实时智能体推理的全流程
。


英伟达技术博客在同一天发布了由Kyle Aubrey和Farshad Ghodsian撰写的文章
。
前者是英伟达技术营销总监
，
负责AI推理和训练相关平台传播；后者是英伟达高级技术营销工程师
，
关注大规模AI训练与推理、性能优化和AI工程落地
。
两人在文章中介绍
，
Groq 3 LPX是一种面向低延迟、大上下文智能体系统的机架级推理加速器
，
它与Vera Rubin NVL72共同工作：Rubin GPU继续承担高吞吐的通用训练和推理任务
，
LPX则专门负责更敏感的低延迟推理环节
。


在英伟达公开表述中
，
LPX每个液冷1U托盘集成8颗LPU加速器、主处理器以及“Fabric Expansion Logic”
。


真正让硬件行业敏感的
，
是在Groq 3 LPX推理机架中
，
FPGA不再只是可选配件
，
而是进入标准配套协处理芯片的位置
。
英伟达官方说得很清楚
，
LPX不是取代Rubin GPU
，
而是和Rubin GPU共同构成异构推理路径：GPU继续处理高吞吐任务
，
LPX负责更低延迟、更稳定响应的部分
。
英伟达技术博客中还写到
，
未来AI应用同时需要三件事：响应速度、模型能力和规模化服务能力
。
不同任务不应该只用一个指标衡量
，
而要针对真实应用状态去优化
。


虽然GPU仍然是AI训练和大规模云端推理的核心
。
但当英伟达也开始在推理架构中引入FPGA或FPGA类可编程逻辑时
，
它实际上承认了一个现实：AI推理已经不是单纯“堆算力”的问题
。
到了推理阶段
，
系统不仅要算得快
，
还要反应快、功耗低、延迟稳定、数据流动顺畅
，
并且能够适应不同应用场景
。
英伟达认为
，
AI推理的未来不是一种芯片赢下全部
，
而是不同芯片各司其职
。
GPU仍然是舞台中央的强计算核心；LPU、NPU、ASIC等专用芯片会在某些任务里追求更高效率；FPGA则可能成为连接、调度、实时处理和场景适配的关键角色
。
它未必最耀眼
，
但它可以补上GPU不够经济、ASIC又太早固化、CPU反应不够确定的位置
。


争议：GPU根本就不适合做推理
？

硅谷投资人Chamath Palihapitiya很早就提出过一个有争议的判断
。
他是Social Capital创始人
，
早年曾是Facebook高级管理团队成员
，
并参与Facebook平台业务发展
。
Chamath曾在公开讨论中把AI拆成两个市场：训练和推理
。
他认为
，
推理会比训练大得多
，
而英伟达非常擅长训练
，
但在推理市场上可能存在“错配”
。


这句话后来被很多人引用
，
也引发了大量争论
。


它当然不能简单理解为“GPU不能做推理”
。
云端大模型推理、大规模并发服务、批量处理任务
，
GPU仍然非常重要
。
英伟达自身也在不断优化GPU推理能力
，
Vera Rubin平台本身就是对AI推理市场的正面进攻
。
真正的问题在于
，
不是所有推理都需要GPU这么高的算力
。


事实上
，
推理越靠近现场
，
场景就越复杂
。


工厂里的设备可能要接工业相机
，
汽车里可能要接多路传感器
，
机器人要处理运动控制
，
智能摄像头要在低功耗下长期工作
。
这些任务不只是“算一道题”
，
还要把不同信号接进来、处理掉、再把结果快速送出去
。


并不是只有大模型的推理才算推理
，
比如工业流水线缺陷检测也是推理
。
这类任务对算力要求未必很高
，
真正困难的是是否有合适的算法、系统方案
，
以及能否在具体工位上稳定运行
。
也正是在这些碎片化、低延迟、强现场适配的场景中
，
FPGA的灵活可编程和高实时特性才更容易体现出来
。
每一种推理对硬件的要求都不一样
。
有的需要大吞吐
，
有的需要低功耗；有的需要大模型
，
有的只需要小模型；有的可以慢几百毫秒
，
有的必须马上响应
。


普通芯片出厂后
，
功能基本固定；GPU虽然可以运行不同软件
，
但硬件结构本身已经定型；ASIC效率很高
，
但一旦做成专用芯片
，
后续算法变化就很难跟上
。
FPGA则不同
，
它可以根据客户需求重新配置内部逻辑
。
今天用于视频接口转换
，
明天可以加入某种预处理逻辑
，
后天还可以随着算法变化做调整
。


这也是AI时代让FPGA重新被看见的原因
。
AI算法变化太快
，
很多应用还在探索
。
一个工厂今天只是要识别表面划痕
，
半年后可能要识别更多缺陷类型；一台机器人今天只是做简单动作控制
，
后面可能要接入更多传感器；一套边缘设备今天跑小模型
，
未来可能要换更复杂的模型
。


需求还没完全定型时
，
FPGA的灵活性就变得很有价值
。


2026年5月13日下午
，
在安路科技2026年度深圳技术峰会期间
，
安路科技相关受访人在接受与非网采访时也表达了类似的观点
。
安路科技认为
，
FPGA更关注高实时、底层嵌入式功能
。
一台主流服务器里可能有多颗FPGA
，
负责风扇、硬盘、主板状态监控、协议转换和板级控制管理
。
不同服务器厂商、不同应用场景
，
对IO、电平和协议的要求差异很大
，
一颗固定ASIC很难覆盖所有设计
，
而FPGA的可编程特性
，
可以让少量型号适配多种服务器方案
。


FPGA不一定站在大模型推理的最中央
。
例如在服务器中
，
FPGA可能负责风扇、硬盘、主板状态监控、协议转换、板级控制管理等工作
。
不同服务器厂商、不同应用场景
，
对IO、电平和协议的要求不同
，
一颗固定ASIC很难覆盖所有设计
，
而FPGA的可编程特性可以让少量型号适配更多方案
。


AMD首席技术官Mark Papermaster也谈到过类似趋势
。
他认为
，
AI工作负载正在从训练转向推理
，
而推理会越来越多地发生在边缘设备上
，
例如手机、笔记本
，
也包括工厂里的传感器、智能交通灯等设备
。
他提到
，
本地、即时、低延迟的AI内容生成和实时翻译等应用
，
会让更多推理从云端走向终端
。


这个判断与FPGA的机会正好相连
。


总结来看
，
AI迭代太快
，
半年后算法可能就变了
，
这正是FPGA的机会
。
FPGA在推理中不一定直接替代GPU
，
更成熟的方式是协处理；但在边缘侧、运动控制、工业智能检测等场景
，
FPGA可以承担核心任务
。


为什么企业不敢轻易用FPGA替换GPU
？

当然
，
FPGA也有自己的难题
。


最明显的是开发门槛
。
GPU有CUDA和庞大软件生态
，
AI工程师已经熟悉相关工具；FPGA长期需要硬件工程能力
，
开发周期和调试门槛更高
。
即便AMD、Altera、Lattice等厂商都在用软件套件降低门槛
，
真正让普通算法工程师像使用GPU一样使用FPGA
，
仍然需要时间
。


这也是FPGA厂商必须解决的问题
。


很多软件工程师习惯了GPU
。
原因很直接：工具成熟、框架成熟、生态成熟
。
模型在PyTorch、TensorFlow里训练好之后
，
迁移到GPU推理平台
，
路径相对清晰
。
尤其是CUDA生态已经积累多年
，
很多AI工程师不需要理解芯片底层结构
，
也能完成模型部署
。


FPGA则不一样
。
一位从业者的评价很直接：FPGA开发“真的不是编程
，
它只是看起来像而已”
。
它需要的是另一种思维方式——不是把代码一行行交给处理器执行
，
而是把任务拆成一条条并行的硬件路径
。
FPGA擅长并行和流水线
，
但工程师必须理解时序、带宽、接口、数据流和硬件资源
，
不能只用软件开发的思维去看它
。


如果只是为了尽快上线一个AI应用
，
GPU往往更简单
。
买卡、部署框架、调模型、跑推理
，
这套流程已经被大量工程师验证过
。
FPGA的优势不是“上手容易”
，
而是当场景足够明确、对延迟和功耗足够敏感、接口足够复杂时
，
它可以把系统做得更贴合现场
。


比如工业视觉、视频处理、低延迟数据流、高速接口转换这类任务
，
FPGA的优势会更明显
。
FPGA在视频、高带宽、低延迟数据流场景中表现突出
，
因为这类应用往往要求数据持续进入系统
，
不能堵、不能等
，
很多时候延迟还要控制在一帧以内
。


所以
，
对于工程师来说
，
FPGA做AI推理的核心判断不是“能不能做”
，
而是“值不值得做”
。
如果一个推理任务对延迟不敏感
，
部署在云端
，
工程团队又熟悉GPU
，
那么GPU仍然是更现实的选择
。
但如果这个任务在工厂、车端、机器人、摄像头、医疗设备或边缘终端里运行
，
需要低功耗、低延迟、稳定响应
，
还要接各种传感器和接口
，
那么FPGA就值得被认真考虑
。


为什么英伟达的动作具有象征意义
？

最后
，
如果连英伟达这个GPU时代最大的受益者都在为低延迟推理引入更多异构组件
，
那么这说明AI硬件竞争已经过了单纯比拼“谁算力更大”的阶段
。
市场需要的不只是更强GPU
，
也需要低延迟、可调度、可连接、可快速适配场景的硬件角色
。


FPGA做AI推理已经不是一个孤立的技术话题
，
而是一条正在形成分化的产业路线
。


值得观察的是
，
各家FPGA厂商并没有沿着同一条路线前进
，
而是各自通过自己的理解来发展具有推理能力的FPGA
。


AMD的路线
，
是把FPGA能力放进更完整的自适应计算平台中
。
它并不只是把Versal AI Edge系列定义为一颗AI加速芯片
，
而是强调面向自动驾驶、预测性工厂、医疗系统等场景
，
把传感器接入、AI处理和实时控制放在同一条链路里加速
。
换句话说
，
AMD希望FPGA不只是“跑模型”
，
而是成为从感知到决策的系统底座
。


Altera的重点则更偏工具链
。
它推进FPGA AI Suite
，
并结合OpenVINO等生态
，
试图降低模型部署到FPGA上的门槛
。
这说明Altera看到
，
FPGA进入AI推理市场的最大障碍不只在硬件性能
，
而在开发难度
。
谁能让机器学习工程师、软件工程师和FPGA工程师更容易协同
，
谁就更可能扩大客户规模
。


Lattice选择的是低功耗边缘AI路线
。
它的sensAI方案面向靠近传感器的小型设备
，
强调低功耗、小尺寸和实时处理
，
并提供缺陷检测、多目标检测、手势识别等参考设计
。
这一路线很务实：Lattice并不试图与高端GPU争夺云端大模型推理
，
而是把目标放在智能摄像头、工业检测、可穿戴设备、机器人和“永远在线”的低功耗终端
。
Achronix则更强调高带宽和AI/ML工作负载优化
，
希望在高性能数据流处理、网络加速和更复杂的推理协处理场景中找到位置
。


再看国内厂商
，
路线也不完全一样
。
安路科技更像是从已有客户场景向AI推理自然延伸
。
它在工业、服务器、机器人、医疗等方向已有FPGA应用基础
，
因此谈AI推理时
，
并不是简单强调“替代GPU”
，
而是更强调协处理、边缘侧、运动控制和工业智能检测等场景
。
紫光同创的思路更偏高性能和平台化
，
希望从通信等传统优势场景向AI推理、高性能数据处理等新兴应用延伸
。
复旦微电则更强调融合路线
，
通过FPAI等产品尝试把FPGA与AI处理能力结合起来
，
在边缘计算和端侧智能场景中形成差异化
。


由此可以看出
，
FPGA不会像GPU那样形成一个高度集中的通用算力叙事
，
而更可能呈现“多场景、多路线、多形态”的格局
。
有的厂商把FPGA放进“传感器到控制”的完整链路
，
有的厂商从工具链切入
，
有的厂商深耕低功耗边缘市场
，
有的厂商追求高带宽和高性能
，
有的厂商则依托工业、服务器、机器人、医疗等存量客户自然延伸
。


芯片本身有低延迟、低功耗、可重构的优势
，
但客户最终买的不是一个概念
，
而是一套能落地的方案
。
模型怎么部署
？接口怎么接
？算法变了怎么更新
？现场出问题谁来调
？这些都决定了FPGA能不能真正吃到AI推理的增量
。


笔者认为
，
FPGA不是AI推理时代突然冒出来的新主角
，
而是一颗长期存在、正在被新场景重新激活的芯片
。


FPGA可能补上GPU照不到的地方
。
对于AI推理来说
，
这已经足够重要
。