1. FPGA硬件加速概述：从概念到实战

大家好，我是你们这门课的老朋友。做了十几年FPGA，从通信基带到AI推理，踩过的坑比走过的路还多。今天咱们先聊聊FPGA硬件加速到底是怎么回事。别急着敲代码，先把地基打牢。

1.1 FPGA到底是什么？

FPGA，全称现场可编程门阵列。说白了，就是一块你可以反复“烧录”成任意数字电路的芯片。CPU是通用处理器，GPU是并行图形处理器，而FPGA是一张白纸——你想画什么电路，它就变成什么电路。

我习惯把FPGA比作乐高积木。CPU是成品小汽车，你只能开它；GPU是赛车底盘，能跑但改不了结构；FPGA是一箱散装积木，你想搭飞机、搭城堡、搭火箭，都行。只不过搭完就不能轻易拆了重来——嗯，其实可以，但得重新烧录。

1.2 硬件加速原理：为什么FPGA能快？

硬件加速的本质，是把软件里的“顺序执行”变成硬件里的“并行流水线”。CPU一条指令一条指令地跑，FPGA可以同时跑几百条。

举个例子。你要做图像边缘检测，CPU得循环遍历每个像素，算梯度、比较阈值。FPGA呢？我可以在芯片里搭一条流水线：第一级读像素，第二级算梯度，第三级做非极大值抑制，第四级输出结果。每一级都在同时工作，数据像流水一样流过。一个时钟周期就能处理一个像素，而CPU可能要几十个周期。

为什么会这样？因为FPGA的“计算”本质上是“电路”。加法器、乘法器、比较器都是物理存在的，信号从输入到输出只需要几个纳秒。而CPU需要取指令、译码、执行、写回，每一步都有开销。

1.3 FPGA vs GPU vs CPU：三足鼎立

很多同学问我：“老师，FPGA和GPU到底哪个好？”我的回答是：看场景。没有万能的加速器，只有合适的工具。

维度	CPU	GPU	FPGA
架构	冯·诺依曼，顺序执行	SIMD，大规模并行	可编程逻辑，流水线并行
计算粒度	标量（单数据）	向量（批量数据）	位级（任意位宽）
延迟	高（指令流水线）	中（需批量提交）	低（硬件直通）
功耗	中	高	低
灵活性	极高（软件可编程）	中（固定管线）	高（硬件可重配）
开发难度	低	中	高
典型场景	操作系统、数据库	深度学习训练、渲染	实时信号处理、网络加速

你想想看，GPU擅长的是“同一指令处理不同数据”，比如矩阵乘法。FPGA擅长的是“不同指令处理同一数据流”，比如协议解析、滤波。CPU则适合复杂控制逻辑。

1.4 典型应用场景：FPGA在哪儿发光？

FPGA不是万能的，但在某些领域，它几乎是唯一的选择。我列几个我亲手做过的场景，你们感受一下。

1. 通信基带处理：5G基站里的信道编码、FFT、MIMO检测。延迟要求微秒级，CPU和GPU都扛不住。FPGA的流水线架构天然适合这种流式处理。
2. 金融交易加速：股票行情解析、订单路由。每纳秒都是钱。FPGA可以把网络协议栈和交易逻辑全部硬件化，延迟从微秒降到纳秒。
3. 视频图像处理：实时去噪、缩放、HDR合成。我做过一个4K@60fps的视频处理系统，FPGA里搭了8级流水线，每级处理一个像素，整个系统延迟不到一帧。
4. AI推理加速：尤其是边缘端。FPGA可以定制量化位宽（比如4bit、2bit），比GPU的固定精度更灵活。我在无人机上部署过目标检测模型，功耗只有5W，帧率还能跑到30fps。
5. 网络与安全：防火墙、入侵检测、加密解密。FPGA可以线速处理100Gbps的网络流量，CPU根本做不到。

1.5 FPGA加速的核心逻辑：一张图看懂

下面这张图是我自己画的，把FPGA硬件加速的整个流程串起来了。从算法到硬件映射，再到性能调优，每一步都有坑，后面我们会一一拆解。

1.6 本章小结：你该带走什么？

这一章我们聊了FPGA的基本概念、加速原理、与CPU/GPU的对比，以及典型应用场景。你不需要记住所有细节，但下面这几点我希望你刻在脑子里：

• FPGA是硬件可编程的，不是软件可编程的。你写的是电路，不是程序。
• 硬件加速的核心是并行和流水线。把串行任务拆成并行流水，性能就能翻倍。
• 选型要看场景：CPU管控制，GPU管批量计算，FPGA管低延迟流式处理。
• 开发流程是迭代的：算法→架构→编码→仿真→综合→调试，每一步都可能回头。