芯耀
与非AI
479
原标题：陆奇与FPGA往事
昨天写的百度的AI故事，与陆奇息息相关，即将上市的昆仑芯，也脱胎于陆奇的远见卓识，周末芯片早餐会有朋友问起Intel当年收购Altera的往事，想起来这件事跟陆奇也有莫大的关系，正好捋一捋。
2025年4月，一条新闻让半导体行业一片唏嘘。
Intel宣布，将旗下FPGA公司Altera 51%的股份，以87.5亿美元的估值卖给银湖资本。要知道，2015年Intel买下Altera的时候，可是花了整整167亿美元。十年时间，估值腰斩。
这不是一次简单的"低买高卖"翻车现场。这背后，是一场持续十年的数据中心算力路线之争。GPU、FPGA、ASIC，三条技术路线各自押注，最终英伟达的GPU赢了。
但在AI推理时代，FPGA的故事，可能还没讲完。
一、陆奇力推的Catapult项目
2012年，微软总部，一场关键会议正在进行。
Doug Burger，微软研究院的一位工程师，正站在时任CEO鲍尔默面前，试图说服他一个听起来匪夷所思的想法：微软应该自己做可编程芯片。鲍尔默当场表示不买账。
当时在场的人后来回忆，Ballmer的反应大致可以翻译成：微软花四十年做Windows和Office，现在你要我们去做芯片？这跟可口可乐宣布要做鱼翅有什么区别？
但就在气氛僵住的时候，另一个人开口了。
时任Bing搜索引擎负责人的陆奇，已经和Burger的团队秘密合作了两年。他告诉鲍尔默：这不是一个"要不要做"的问题——"他的团队已经开始了。"
就是这句话，保住了Catapult项目。
两年后，2014年，微软在计算机架构顶会ISCA上发表了一篇论文。论文里的数据震惊了整个业界——
在Bing搜索引擎的文件排名运算中，用FPGA做硬件加速，吞吐量提升了95%，系统延迟下降了29%。每个FPGA额外功耗不到25瓦，总成本增加不超过30%。而且，对比的是微软已经深度优化过的纯软件方案。
换句话说，这不是"从零开始的优化"，而是在"已经榨干了CPU性能"的基础上，FPGA又把天花板往上顶了近一倍。从1985年诞生了全球首款FPGA产品以来，FPGA的应用逐渐从数字信号处理、高速串行收发器扩展到嵌入式处理器。FPGA被广泛应用于通信、消费电子、工业控制、测试测量等微型电子电气领域，但几乎没有被应用于大型数据中心。
这篇论文是第一篇真正意义上详述互联网巨头开发并大规模部署FPGA的专业论文。在此之前，FPGA是硬件公司的专属玩具。在此之后，谷歌、亚马逊、百度、阿里，所有互联网巨头都开始认真考虑：要不要在数据中心里铺FPGA。
微软说干就干。到2016年，微软在全球五大洲15个国家、5670台服务器中部署了FPGA加速卡。2017年，又推出Brainwave（脑波）项目，把FPGA的应用从搜索扩展到了深度学习。
尤其值得留意的是，除了项目初期原型验证阶段，微软后续全部采用了Intel（Altera）的FPGA芯片。微软一跃成为Intel FPGA的最大客户。
当年的"Wintel联盟"，在后PC时代，似乎正通过FPGA，找到了一条重生之路。
2014年9月，百度快速跟进，宣布将把FPGA技术用于自己的数据中心。陆奇在2016年从微软离职，随即加入百度担任副总裁，似乎与这个Catapult项目也有很深的渊源。
二、三条路同时出发，谁也不知道对错
2015年前后的数据中心加速市场，是一幅真正的"三国杀"局面。
英伟达主推GPU路线。谷歌押注TPU路线（一种ASIC定制芯片）。微软搞出了FPGA路线。
三条路，各有各的道理。
GPU：一把瑞士军刀。
GPU最初是为游戏图形渲染设计的，但2012年AlexNet用GPU训练神经网络大获成功之后，人们发现这种大规模并行计算架构天然适合AI。英伟达围绕CUDA构建了强大的软件生态——400万活跃开发者，所有主流框架原生支持。缺点是贵。一颗H100卖4万美元，而且功耗巨大。
FPGA：一套乐高积木。
FPGA是"现场可编程"的——芯片生产出来后，工程师可以通过软件重新定义其内部的逻辑连接。这意味着极度灵活：今天用来加速搜索排序，明天可以重新配置来做网络协议卸载，后天又能跑AI推理。微软Catapult证明了这个路线可行。缺点是开发门槛高——你需要硬件工程师写Verilog代码，不是调个PyTorch就能搞定。
ASIC/TPU：一把定制的螺丝刀。
谷歌在2015年推出第一代TPU，专门为TensorFlow计算优化。ASIC一旦流片就固定了功能，不能改，但换来了极致的能效比。谷歌2015年发现：数据中心里神经网络推理需求暴涨，但GPU效率不够。于是TPU应运而生。缺点是灵活性最差——模型架构一变，芯片可能就废了。
当时的局面，很像移动互联网早期：Symbian、Windows Mobile、iOS、Android，所有玩家都在押注，没人知道谁会赢。
Intel没有选一条，而是试图把两条路合成一条——CPU+FPGA。
三、两笔天价收购，两个截然不同的结局
2015年6月1日，Intel宣布以167亿美元收购Altera。这是Intel历史上最大的一笔收购。
收购的逻辑听起来非常合理：把Altera的FPGA技术和Intel的Xeon处理器深度整合，给数据中心客户提供"CPU+FPGA"一体化方案。Intel当时画了一个两步走的路线图：第一步，把CPU和FPGA封装在一起。第二步，把两者做到同一片硅片上。
与此同时，FPGA行业的另一个巨头也在被盯着。
2020年10月，AMD宣布以全股票方式收购Xilinx（赛灵思），最初估值350亿美元。2022年2月交易完成时，因为AMD股价大涨，最终价值达到498亿美元。
两笔收购，时间差了五年，金额差了近三倍，最后的结果也差了十万八千里。
Intel + Altera：一场没有兑现的承诺。
2018年，Intel生产出了Xeon Skylake + Altera Arria 10的共封装样品。这是全世界第一颗CPU+FPGA合封芯片。但之后呢？没有量产。永远停在了样品阶段。
更糟糕的是，Altera被收购后，一系列问题暴露了出来。
首先，Altera团队在Intel内部使用Intel自研EDA工具时发现——这些工具是为CPU设计优化的，CPU的逻辑又密又规整，而FPGA的逻辑稀疏且遍布大量互连线。两种芯片的设计需求几乎相反。工具不匹配直接导致产品开发严重延迟。Altera的Agilex 7系列，比竞品Xilinx的7nm Versal晚了整整两年。
其次，Altera业务在Intel这艘巨轮内部，始终是个"小透明"。一年的营收不到20亿美元，在Intel整体营收中占比只有3%-4%。资源分配、战略优先级，都排不上号。
然后就是一连串的连锁反应：Omni-Path互联技术取消（2019年）、Nervana AI加速器取消（2020年）、Optane持久内存取消（2022年）。CPU+FPGA生态的每一块拼图，都在一块块碎掉。
十年后，Altera 2024财年营收15.4亿美元，GAAP运营亏损6.15亿美元。167亿的买入价，变成了87.5亿的卖出价。
AMD + Xilinx：一颗冉冉升起的"自适应计算"星。
AMD的整合走了一条完全不同的路。苏姿丰没有把Xilinx"吃进去"，而是让原CEO Victor Peng继续带领自适应和嵌入式计算事业部，保留Xilinx的品牌、渠道和产品线。
更重要的是，Xilinx在被收购前就已经有了一个杀手级产品——Zynq系列。
四、Zynq的降维打击
2010年，Xilinx做了一件在当时看来很激进的事：把ARM处理器直接集成到FPGA芯片里。
这个产品的名字叫Zynq。在此之前，FPGA和CPU是两个独立的芯片，通过外部总线通信，延迟高、功耗大、设计复杂。Zynq把ARM Cortex-A9双核处理器和FPGA可编程逻辑做在了同一片硅上，做到了"无缝融合"。
这个想法有多超前？要知道，直到今天，Intel和AMD还在讲CPU+FPGA异构的故事——而Xilinx十几年前就做出来了，还卖得很不错。
Zynq UltraScale+ MPSoC是目前的主力产品。一片芯片里集成了四核Cortex-A53（跑Linux）、双核Cortex-R5（做实时控制）、GPU、以及FPGA可编程逻辑。BMW的自动驾驶系统用这个芯片做传感器融合——激光雷达、摄像头、毫米波雷达的数据实时处理，延迟控制在10毫秒以内。工业机器人用它做运动控制+视觉检测一体化方案，取代了传统的"PLC+专用视觉芯片"架构，成本降了20%，体积小了40%。
再往上，就是Versal平台。Xilinx把它叫做ACAP——自适应计算加速平台。7nm工艺，内置AI Engine（AI矢量处理器阵列），专门为大模型推理做优化。
所以当AMD在2022年完成收购时，拿到的不是一个"传统FPGA供应商"，而是一个已经有了ARM+FPGA+AI Engine完整产品矩阵的"自适应计算平台"。
而Altera在做什么？
在被Intel收购的那些年里，Altera的资源被分散了。当Xilinx在推Zynq和Versal的时候，Altera连自己的SoC产品线都更新迟缓。等到Agilex 5系列在2024年发布，市场上最好的坑位早就被Xilinx占完了。
一步慢，步步慢。
五、赢家只有一个，但不是因为路线错了
复盘这十年，一个核心问题是：Intel选择FPGA路线，是判断错了吗？
不完全是，但路线的微妙之处在于时机。
英伟达的GPU之所以赢了，不是因为它"技术上比FPGA好"，而是因为AI算力竞赛的核心是训练，不是推理。训练一个大模型，需要的是绝对的海量并行算力。这一点，GPU天生占优——几千个核心同时跑矩阵乘法，FPGA和ASIC都做不到这个灵活度。
而当2018年之后，OpenAI、Google等掀起的"大模型军备竞赛"让训练算力需求指数级增长，GPU就成了唯一解。英伟达的CUDA生态已经积累了十几年，500万开发者、所有主流框架的原生支持——这不是任何一个FPGA厂商能在三五年内赶上的。
但这不是故事的全部。
Intel失败的另一半原因，是执行力的崩塌。同样选FPGA路线，AMD通过Xilinx的整合，在嵌入式AI、边缘计算、工业控制等场景打开了新的增长空间。AMD在2026财年Q1的数据中心业务收入同比增长了57%，很大程度上就是FPGA+CPU+GPU的组合拳在起作用。
而Intel？CPU业务被AMD蚕食，代工业务连年亏损，GPU追不上英伟达，FPGA也做丢了。样样都想做，样样都做不好。
2024年12月，Intel董事会终于动了手。CEO帕特·基辛格被解职。陈立武接任后的第一把火，就是砍掉非核心资产——Altera被摆上了货架。
六、FPGA还有机会吗？
但如果你以为FPGA的故事就这么结束了，那可能错过了正在发生的最有意思的事。
2026年3月，英伟达GTC大会上，黄仁勋发布了下一代AI计算平台Vera Rubin。在这个平台的设计中，有一个细节耐人寻味——
FPGA被首次列为AI推理机架的标准协处理单元。
Groq 3 LPX推理机架，每个Rack配32颗FPGA，单价约1.2万美元。FPGA承担什么任务？节点互联调度、协议转换、推理任务的预处理和后处理加速。GPU负责大规模并行计算，FPGA负责灵活调度和低延迟控制。
这是一个标志性事件——当初被GPU碾压了的FPGA，现在被黄仁勋亲自请回了牌桌。
为什么？因为AI算力的重心，正在从训练转向推理。
德勤的数据显示，2023年AI训练负载占总算力的约60%，到2026年，推理负载占比已经飙升到了67%。训练一个GPT只需要做一次，但推理——每一次用户对话、每一次图片生成、每一次代码补全——要跑无数次。
推理的特点是什么？模型架构固定、成本极度敏感、需要低延迟。这三个特点，全是FPGA的舒适区。
- 模型固定 → 不需要GPU的通用灵活性，FPGA可以针对特定模型深度优化
- 成本敏感 → FPGA的能效比远高于GPU，大规模部署能省下巨额电费
- 低延迟 → FPGA的直接硬件加速，端到端延迟能缩短30%-50%
Midjourney公开过一个数据：把推理业务从英伟达GPU迁移到谷歌TPU之后，月算力成本从210万美元降到了70万美元，砍了65%。这就是专用芯片对通用GPU的降维打击。
而FPGA的定位，恰好卡在GPU和ASIC的夹缝中：GPU太贵太费电，ASIC太死板无法适配算法迭代。FPGA可编程、可重构、低延迟、高能效——恰好填了这个坑。
数据也在说话。Frost & Sullivan预测，2026年全球AI服务器FPGA需求量突破350万片，单台AI服务器的FPGA用量达传统服务器的3-5倍。高端FPGA的交期从8-10周飙升至最长52周。Xilinx和Lattice在2026年3月相继宣布涨价10%-20%。
英伟达GPU的缺货，正在向FPGA市场溢出。而当英伟达自己都开始把FPGA写进参考设计中时，这个趋势已经不是猜测，而是正在发生的事实。
回头看Intel收购Altera这十年，可以得到一个朴素的商业教训：
选择赛道很重要，但赛道上怎么跑，更重要。
Intel选的FPGA路线，本身不是错的。AMD通过Xilinx证明了FPGA在AI时代大有可为。但Intel的问题在于：买了最好的资产，却没有本事把它用好。内部优先级不够、工具链不匹配、制程拖累产品迭代、生态拼图一块块碎掉——再好的战略，没有执行力撑着，都是纸上谈兵。
而Altera接下来呢？脱离Intel、拿到银湖资本的注资后，新任CEO Raghib Hussain已经放话：要成为"世界第一FPGA解决方案提供商"。Altera的Agilex 5系列内嵌AI Tensor Block，面向工业视觉和医疗设备的边缘推理，正在构建自己的差异化优势。
FPGA的故事远没有结束。在AI推理占比持续攀升、英伟达GPU供不应求、定制化算力需求爆发的三重趋势下，FPGA也许正在憧憬从边缘角色，走向数据中心的核心牌桌。
