说起AI芯片，大家第一反应肯定是英伟达的GPU，毕竟这家公司已经把AI训练和推理市场吃得死死的。但最近有个叫Positron的美国小公司，居然用FPGA来挑战英伟达的地位，而且数据还挺唬人的。

Positron这家2023年才成立的公司，居然已经把AI加速器送到了美国各地的数据中心，他们的Atlas系统在AI推理任务上，性能功耗比比英伟达H100强3.5倍，能耗比也是3.5倍。更夸张的是，在跑Llama 3.1 8B模型时，他们的系统只用2000W就能达到每用户每秒280个token，而英伟达的8路DGX H200服务器要用5900W才能跑到每用户每秒180个token。

这个对比听起来有点不可思议，毕竟GPU在AI领域的统治地位好像已经是铁打的事实。但仔细想想，FPGA的优势其实一直都在那里，只是很多人没注意到而已。

GPU本质上是为图形渲染设计的，虽然后来被用来做通用计算，但终归不是专门为AI而生。FPGA呢？它是可编程的硬件，你可以把它理解为"软件定义的芯片"，想要什么功能就直接在硬件层面实现什么功能。

Positron能够把任何训练好的HuggingFace Transformers库模型直接映射到硬件上，获得最大性能和易用性。这意味着什么？就是针对特定的AI模型，FPGA可以变成一个专门为这个模型量身定制的芯片。

中国的FPGA困境

说到这里，就得聊聊一个让人思考的问题：为什么在AI芯片这么火的当下，中国很少看到用FPGA做AI芯片的公司？

目前FPGA市场仍由美国三大巨头Xilinx（被AMD收购）、Altera（被Intel收购）、Lattice主导，占据八成以上的份额。这就是问题的根源。

FPGA看起来简单，但实际上门槛极高。不只是芯片本身的设计制造，更重要的是整套工具链的建设。你想想，一个FPGA芯片没有配套的开发工具、编译器、调试器，那就是个废物。而这些软件工具的开发，往往比芯片本身还要复杂。

Xilinx的Vivado、Altera的Quartus，这些开发环境经过几十年的积累，功能强大到让人绝望。国内的FPGA厂商，硬件可能能做得还行，但软件工具链往往差了好几个档次。

Positron敢于公布具体的性能数据，说明他们对自己的技术有信心。但这种信心的背后，是对FPGA技术多年的深入理解和工程实践。他们不是在实验室里玩概念，而是真的把产品推向了市场。

从更宏观的角度看，Positron的成功其实反映了一个深刻的问题：在技术发展的道路上，主流方案未必是最优方案。

GPU之所以成为AI芯片的主流选择，很大程度上是历史的偶然。当初深度学习刚兴起时，研究者发现GPU的并行计算能力正好适合矩阵运算，于是就用上了。后来英伟达顺势而为，针对AI场景不断优化GPU架构，最终形成了今天的格局。

但这不意味着GPU就是AI计算的终极答案。FPGA的灵活性、专用ASIC的效率，都有各自的优势。Positron的例子告诉我们，在特定场景下，FPGA可能是更好的选择。

对于中国的AI芯片产业来说，Positron的成功或许提供了一个新的思路。与其在GPU赛道上跟英伟达硬碰硬，不如考虑差异化的技术路线。

但这条路不好走。FPGA技术积累、工具链建设、生态构建，每一个环节都需要长期投入。更重要的是，需要有人愿意踏踏实实地做这些"不性感"的基础工作。

Positron用了两年时间就把产品推向市场，这背后肯定有深厚的技术积累。对于国内的创业者来说，也许应该更多地思考如何利用自己的技术优势，而不是一味地跟风热点。

毕竟，在芯片这个行业里，真正的颠覆往往来自于对技术本质的深刻理解，而不是对概念的炒作。