近年来，国产 FPGA 产业快速发展。

从逻辑规模、高速接口，到 DSP 计算能力，国产 FPGA 正逐步缩小与国际厂商的差距。

但是，当 FPGA 进入 AI 时代，一个新的问题正在出现：

目前的形势是大部分厂商不太相信FPGA能在AI领域内作为计算芯片（开发漫长、难度高等原因，尽管各个FPGA厂商仍在大力推广），但是FPGA还有一个竞争点：谁能更快接入 AI 生态（利用FPGA高接入性能）。

Microchip 最新的 PolarFire Ethernet Sensor Bridge，就是一个非常典型的案例。

它展示了一种新的 FPGA 产品思路：

FPGA 不只是计算芯片，而是 AI 系统连接现实世界数据的入口。

一、AI 时代，FPGA 正成为“数据入口”

过去 FPGA 的典型应用：

• 通信加速
• 工业控制
• 信号处理
• 图像处理

FPGA 在这些领域里更多承担的是：

• “计算加速”。

但是随着 AI 应用快速落地，新的需求出现：

AI 模型越来越强，但模型需要大量真实世界数据。

例如：

• 工业相机
• 自动驾驶传感器
• 医疗影像设备
• 机器人视觉系统
• 高速采集设备

这些数据通常具有数据量巨大、实时性要求高、接口复杂等特点，难以全部依赖云端处理。因此，AI 系统需要一个靠近传感器的数据处理节点，而 FPGA 凭借低延迟、高并行和丰富接口能力，正逐渐成为连接传感器与 AI 计算平台的重要桥梁。

FPGA 正好具备这样的优势：

• 高并行计算
• 低延迟
• 丰富高速接口
• 长生命周期支持

这使 FPGA 能从传统的“计算加速器”，逐渐变成：

AI 系统的数据入口和实时处理平台。

二、PolarFire Ethernet Sensor Bridge：连接 FPGA 与 AI 生态

今天的重点是看到Microchip 的 PolarFire Ethernet Sensor Bridge 系列，不和Xilinx和Altera卷计算和容量，而是从数据接口入手：

它通过 PolarFire FPGA 接入 MIPI CSI-2 摄像头，在边缘侧完成图像数据采集、转换和预处理，并通过高速 Ethernet 将数据传输到 NVIDIA Jetson、Holoscan 等 AI 平台，实现与现有 AI 计算生态的连接。

Rev 2.0 HSB 开发板的尺寸缩小了 60%，支持的摄像头数量翻了一番，采用 USB-C 供电，便于机架部署，并且价格比第一代产品更低。这些改进使设计人员能够使用可扩展、节能的 10Gb 以太网架构来取代复杂的多接口传感器连接，从而降低系统总成本和物料清单的复杂性。这些优势对于由 NVIDIA Jetson 和 IGX 等 NVIDIA 边缘计算平台驱动的 AI 医疗、工业和人形机器人应用至关重要。

它解决的问题并不是简单地“如何让 FPGA 运算更快”，而是“如何让传感器产生的数据更高效地进入 AI 计算生态”。这体现了 FPGA 角色的一次重要变化。

过去，FPGA 更多作为独立的硬件加速模块存在：

摄像头 → FPGA → 自定义处理系统

开发者需要围绕 FPGA 自行搭建完整应用链路。

而在 AI 时代，FPGA 正逐渐成为连接感知端和计算端的重要桥梁：

摄像头 → FPGA → AI Framework → GPU/NPU → AI 应用

FPGA 不再只是提供计算能力，而是在 AI 产业链中承担数据入口、实时预处理以及异构计算连接的角色。未来 FPGA 的竞争，也将从单纯的芯片性能竞争，转向对 AI 生态接入能力和完整解决方案能力的竞争。

该章节参考链接：

https://www.microchip.com/en-us/development-tool/mpf200-eth-sensor-bridge-R2

三、未来 FPGA 厂商竞争的是 AI 生态接入能力

对于 FPGA 厂商来说，未来用户关注的重点将不再只是 LUT、DSP、BRAM 容量以及 SerDes 速率等硬件指标。随着 AI 应用不断向边缘侧发展，用户更关心的是这颗 FPGA 能否快速接入现有的 AI 计算体系，能否提供成熟的接口、IP、软件工具和参考设计，让传感器数据能够高效进入 GPU、NPU 等计算平台。换句话说，FPGA 的竞争正在从单纯的芯片性能，逐渐转向 AI 生态接入能力和完整解决方案能力。

例如：

• 摄像头 AI

用户希望：

拿到 FPGA 后：MIPI 接入完成，ISP 完成，图像格式转换完成，Ethernet 输出完成，AI 推理接口完成。然后直接进入模型开发。

• 工业 AI

工业现场需要：

多传感器融合，实时数据处理，AI 推理前处理

FPGA 可以作为连接传感器与 AI 模型之间的实时桥梁，在数据进入 GPU 或 NPU 之前完成采集、预处理、格式转换和数据传输，从而降低系统延迟并减轻后端计算平台的负担。

随着 AI 应用不断向边缘侧发展，越来越多的机器人、无人设备和工业设备需要在本地完成 AI 推理，同时兼顾低功耗和快速响应。FPGA 凭借灵活的硬件架构和并行处理能力，可以与 GPU、NPU、MCU 等处理器协同工作，构建异构计算平台，让不同计算任务由最合适的硬件完成。

四、国产 FPGA 下一阶段需要补什么？

国产 FPGA 已经逐渐具备芯片能力。

但是，从 PolarFire 可以看到，下一阶段可以发展的是：

1. 面向 AI 的完整方案

例如，在 AI 视觉应用中，国产 FPGA 厂商可以围绕“FPGA + 摄像头”提供完整的参考方案，将 MIPI CSI-2 接口、ISP Pipeline、AI 前处理、Ethernet 高速输出以及 Jetson/NPU 接口整合起来，形成从图像采集、实时处理到 AI 推理的数据通路。用户拿到的不再只是一颗 FPGA 芯片，而是一套可以快速接入 AI 系统的完整解决方案，从而大幅降低开发门槛和项目落地周期。

2. 建立 AI 软件生态

AI 开发已经形成了较为成熟的软件生态，从模型训练到部署，已经有 PyTorch、TensorFlow、ONNX、TensorRT、OpenVINO 等大量工具和框架。对于 FPGA 厂商来说，下一步需要思考的并不是重新建立一套孤立的 AI 开发体系，而是如何让 FPGA 更自然地融入现有 AI 生态。

理想情况下，用户完成模型训练后，只需要经过模型量化、硬件适配和部署，就能够快速将模型运行到 FPGA 平台上，形成“模型训练 → 自动量化 → FPGA 部署 → 快速运行”的开发流程。只有进一步打通模型、工具链和硬件之间的连接，才能真正降低 FPGA 的 AI 开发门槛，让更多算法工程师能够使用 FPGA，而不必深入了解复杂的底层硬件开发流程。

3. 提供更多行业参考设计

国外 FPGA 厂商的一个重要优势，并不只是拥有性能强大的 FPGA 芯片，更在于围绕芯片积累了大量成熟的应用案例和参考设计，覆盖 AI 视觉、电机控制、高速数据采集、医疗影像等多个领域。这些方案能够帮助用户快速验证产品和技术路线，缩短从芯片选型到实际应用的开发周期。

对于国产 FPGA 厂商来说，如果希望进一步扩大市场，仅仅提供一颗 FPGA 芯片已经不够。未来更需要围绕具体行业打造完整的软硬件解决方案，把芯片、IP、开发工具、参考设计以及 AI 生态连接起来，从“卖 FPGA”逐步转向“提供 FPGA 解决方案”，让用户能够拿到平台后更快地做出真正的产品。

五、FPGA 的未来：成为 AI 基础设施的一部分

AI 的发展正在改变 FPGA 的定位。

过去：

FPGA 是 ASIC 和 CPU 之间的可编程芯片。

未来：

FPGA 更可能成为：

连接传感器、数据和 AI 模型的实时计算基础设施。

PolarFire Ethernet Sensor Bridge 给出的一个重要启示是，未来 FPGA 的价值将不再只是芯片本身的性能，而在于能否快速融入完整的 AI 生态，成为连接传感器、数据处理和 AI 计算平台的重要节点。

对于国产 FPGA 来说，下一阶段需要突破的也不仅是工艺、逻辑规模和硬件性能，更需要加强 AI 生态接入能力、软件工具链、行业解决方案以及开发体验。归根结底，下一轮 FPGA 的竞争，不只是比谁拥有更多的逻辑资源，而是比谁能够让开发者更低门槛、更高效率地把 FPGA 应用到实际 AI 场景中，真正帮助用户更快创造价值。