功耗方面， FPGA 也具有天生的优势。CPU执行指令，都需要有指令存储器、译码器、各种指令的运算器及分支跳转处理逻辑参与运行，而FPGA每个逻辑单元的功能在重编程时就已经确定，不需要指令且无需共享内存，从而可以极大的降低单位执行的功耗，提高整体的能耗比。
由于 FPGA 具备灵活快速的特点，因此在众多领域都有替代 ASIC 的趋势。尤其是在需要更多的灵活变更需求验证和支持扩展应用方面，FPGA 在人工智能领域的应用如图所示。
目前深度学习、视觉融合等人工智能计算需求，主要采用 CPU+GPU、FPGA 等已有的适合并行计算的芯片来实现。在自动驾驶应用没有大规模兴起之前，使用这类已有的通用芯片可以避免专门研发定制芯片（ASIC）的高投入和高风险。但是，由于这类通用芯片设计初衷并非专门针对深度学习，因而天然存在性能、功耗等方面的局限性。
因此，随着人工智能算法和应用技术的日益发展，以及人工智能专用芯片ASIC产业环境的逐渐成熟，全定制化人工智能ASIC也逐步体现出自身的优势，从事此类芯片研发与应用的国内外比较有代表性的公司有华为、地平线、深鉴科技、寒武纪、中星微、英伟达、谷歌、高通、英特尔等。
在ASIC芯片需求还未形成规模、深度学习算法暂未稳定，AI 芯片本身需要不断迭代改进的情况下，利用具备可重构特性的 FPGA 芯片来实现自动驾驶计算是成为选择之一。但由于FPGA的技术门槛儿较高，处于创业类自动驾驶公司而言在短期内掌握足够熟练的FPGA编程技术并实现硬件可靠性设计的难度太大，因此使用通用型CPU+GPU来做自动驾驶计算平台或域控制器的开发成为当前的主流，英伟达最近几年的火热足以说明一切，并且CPU+GPU组合，基于Linux内核和ROS系统的架构，已经有较为成熟的生态，这样的选择目前还是最靠谱的，也是最容易落地的。
（责任编辑：fqj）
关于可编程逻辑就介绍完了，您有什么想法可以联系小编。