作者： Víctor Mayoral-Vilches 和 Giulio Corradi，賽靈思公司

連載二：工業類比CPU／GPU，ASIC和FPGA，誰更適合機器人計算

CPU 和通用 GPU （GPGPU） 是兩種廣泛使用的商業計算平臺，因為它們可用性高且具有通用性。這些計算技術的通用性，是機器人專家對其特別感興趣的原因。但是通用性的代價是：

1. 通用平臺的固定架構難以適應新的機器人場景。追加功能往往需要追加硬件，這也往往意味著要花時間對新的硬件進行新的系統集成度。

2. 通用性必然導致其在時效上的缺陷，從而影響確定性形成（難以滿足嚴格的實時性要求）。

3. 其功耗通常比專用計算架構（如 FPGA 或 ASIC）高一到兩個數量級 （1）。

4. 其固定的、不具備靈活應變能力的架構，導致其對網絡安全威脅和惡意行為的抵御能力減弱。熔毀 （ Meltdown ） 或者幽靈 （ Spectre ） 等網絡攻擊示例表明，如果缺乏重新配置數據流流水線的能力，計算平臺最終將喪失安全性。

總體而言，CPU、GPU 和 ASIC 等采用固定架構的器件，在其為開發者提供優勢的同時，也讓其付出了代價。它們所缺乏的靈活應變能力，導致其缺乏時效性，能耗增加。而且由于它們無法通過重新配置架構來提高硬件的抗風險能力，因此在網絡威脅面前更加脆弱。

CPU的工業類比

圖1是 CPU 的工業類比，它將 CPU 理解成一系列車間，并且每個車間安排一位技能非常嫻熟的工人。

圖1：CPU 的工業類比

這些工人每人都能使用通用工具生產出幾乎任何產品。每位工人按順序使用不同的工具，將原材料制造為成品，一次生產一件產品。根據任務的性質，這種串行生產流程可能用到大量步驟。這些車間基本（不考慮緩存的情況下）彼此獨立，工人能全身心地完成不同任務，不必擔心干擾或協調問題。盡管CPU 十分靈活，但它的底層硬件是固定的。CPU 仍然在基本的馮諾依曼架構（或者更確切地說，存儲程序計算機）上運行。數據從存儲器讀取到處理器進行運算，然后寫回到存儲器。基本上每個 CPU 都以串行方式運行，一次一個指令。同時架構以算術邏輯單元 （ALU） 為中心，每次運算都需要將數據輸入到 ALU 并從 ALU 輸出數據。

CPU的工業類比

GPU 也可以用車間和工人類比，但它們的數量要大得多，并且工人的專業化程度也要高很多，如圖2所示。

圖 2： GPU 的工業類比

GPU 工人只能使用特定的工具，每人能完成的任務種類要少得多，但他們完成任務的效率非常高。GPU 工人在重復做相同的少量任務時效率最高，尤其是當他們全體同時做同一件事情時。GPU 解決了 CPU 的主要缺陷之一，即并行處理大量數據的能力。

雖然 GPU 比 CPU 擁有非常多的核，但 GPU 采用的依然是固定的硬件架構。GPU 的核仍然包含某種類型的馮諾依曼處理器。一條指令就能處理上千條或者更多數量的數據，盡管通常必須對同時處理的每一條數據進行相同的運算。原子處理元在數據矢量上運算（非 CPU 情況下的數據點），但仍然是每個 ALU 執行一條固定的指令。因此，用戶仍然需要通過固定的數據路徑，從存儲器將數據傳遞給這些處理單元。與 CPU 相似，GPU 也采用固定硬件構建，對所有的機器人應用而言，其基本架構和數據流都是固定不變的。

FPGA 的工業類比

如果說 CPU 和 GPU 是工人按照順序依次將輸入加工成輸出的車間，那么 FPGA 就是靈活的自適應工廠，能夠針對手中的具體任務定制創設裝配線和傳送帶（參見圖 3）。

圖 4： FPGA 的工業類比

這種靈活應變能力，意味著 FPGA 架構師可以先構建工廠、裝配線和工位，然后根據所需完成的任務對它們進行量身定制，而不是使用通用工具。這些工廠中的原材料由分配在裝配線上的工人小組逐步加工成成品。每名工人都重復地完成同樣的任務，同時半成品通過傳送帶在工人間進行傳遞。這樣能大幅提升生產力，并保證以最佳方式充分利用資源和電力。在這個類比中，工廠是 OpenCL 加速內核，裝配線是數據流流水線，工位是 OpenCL 計算功能。

ASIC的工業類比

與 FPGA 類似，ASIC 也建造工廠，但是 ASIC 中的工廠是最終形態，不能改動（參見圖 4）。換言之，這些 ASIC 內部只有機器人，工廠內不存在人類認知。這些裝配線和傳送帶是固定的，不允許變更自動化流程。ASIC 的這種專用型固定架構賦予它們極高的能效，以及大批量規模化生產下的最低價格。但遺憾的是，ASIC 的開發通常需要耗時多年，而且不支持進行任何變更，這將會導致前期投入的資產很快跟不上未來生產力提升的變化。

圖 4： ASIC 的工業類比