Larus 把许多重复设计说成是噩梦。不是因为他们需要建立新的硬件，而是因为他们每次都要编程新的 FPGA。他说：“这太烦人了，比编软件都要烦。又难写，又难纠正。”这个工作非常麻烦，就像改变芯片上的小逻辑门。

　　不过，最终需要的硬件已经做好了，微软每次重新编程这些芯片的时候还要面临同样的挑战。Larus 说“这让我们能以全新的视角来看待世界，思考世界，”。但是， Catapult 硬件的成本只占了服务器中所有其他的配件总成本的 30%，需要的运转能量也只有不到 10%，但其却带来了 2 倍原先的处理速度。

　　这是一场很大的局。微软 Azure 用这些可编程的芯片来路由、加密和压缩数据。世界上 20% 的桌面搜索市场和 6% 的移动手机市场是 Bing的，有了这个芯片， 它就能适应新型人工智能：深度神经网络。据微软一名员工说，Office365 正在尝试使用 FPGA 和机器学习进行加密和压缩。而这一行为将使 2310 万用户收益。Burger 说，最终，它们会驱动所有的微软服务。

　　| 这真的会起作用吗？

　　Peter Lee 表示道：“现在回想起来我还感到震惊，我们居然让公司做了这件事。”他还负责管理微软研究院内一个名为新体验和技术(NExT)的组织，该组织是萨提亚·纳德拉在担任微软 CEO 后亲自推动创建，代表了微软研究院的重大转向。NExT 旨在促进能更快改变微软前进路线的研究。Project Catapult 就是典型的例子。而 Project Catapult 只是行业大变革的一部分。Doug Burger 表示道：“未来的进步将来自于非 CPU 技术。”

　　Peter Lee

　　包括微软在内的所有互联网巨头现在都在用 GPU 作为 CPU 的补充。GPU 本来是专门用来渲染游戏画面和满足其他对画面要求很高的应用需求，但现在这些公司在训练神经网络时也会大量使用 GPU 来计算，比如识别数千万张照片中的人脸。一些互联网巨头如微软还会在训练后，用可再编程芯片来运行神经网络。虽然自行开发芯片极其昂贵，但谷歌已经开发了专门用于运行神经网络的处理器 TPU（tensor processing unit）。

　　谷歌的 TPU 以长期灵活性换取了速度。谷歌希望在识别语音命令时不再有延时。问题是，如果谷歌的神经网络模型改变，谷歌就必须再制造一种新芯片，而 FPGA 可以让微软打持久战。尽管 FPGA 不像谷歌的自制芯片一样快，但微软可以根据需要对芯片进行再编程。微软不仅能根据新的人工智能模型再编程，还可以根据任何任务进行再编程。如果其中一种设计在未来很多年都有用，微软也可以用这一设计来制造专用芯片。

　　新版 V2，它可以插在每台微软服务器的末端，直接与网络连接在一起

　　微软的服务非常庞大，使用的 FPGA 芯片多到开始改变全球芯片市场。FPGA 技术来自于 Altera，英特尔执行副总裁 Diane Bryant 称，微软就是英特尔在去年以 167 亿美元收购 Altera 的理由，这是英特尔有史以来最大一笔收购。Diane Bryant 表示，到 2020 年，主流云计算公司三分之一的服务器都会使用 FPGA 芯片。

　　CPU、GPU、TPU、FPGA，这么多首字母缩写词看得人眼花缭乱。但真正重要的还是它们的使用场景。微软、谷歌、亚马逊等公司通过云计算驱动着全球技术发展，而这些另类芯片则驱动着更庞大的应用和网络服务体系。Peter Lee 表示，Project Catapult 将可以让微软继续扩大自己的全球超级计算机运算能力，直到 2030 年。在此之后，微软可以转向量子计算。

　　Nadella 在接受电话采访时也表达了差不多的观点。他俩说的都差不多，都在鼓吹超高速量子计算机的未来。考虑到打造量子计算机的难度，他们描述的未来就像是在做白日梦一样。但在几年前，Project Catapult 也是同样像是在做白日梦。