電子發燒友網報道（文/李彎彎）過去幾年，越來越多企業加入到存算一體技術的研究中，如今，存算一體芯片已經逐漸走向商用。

從目前入局的企業來看，路線各異，包括采用不同類型的存儲器，從中小算力入手，或是直接進行大算力存算一體芯片的研究，有的是采用模擬的存算技術，有的采用數字的存算技術。

那么如何選擇合適的存儲器類型，如何做大算力的存算一體芯片設計，采用模擬技術還是數字的方式？千芯科技董事長陳巍在接受電子發燒友采訪的時候做了詳細介紹。

如何選擇存儲器類型

千芯科技致力于大算力存算一體芯片技術的研究，在SRAM、MRAM、RRAM方面都有探索，目前基于SRAM存算一體產品樣卡正在測試，公司也在與中科院、清華大學等機構一起優化基于RRAM、MRAM存算一體電路的設計。

該公司技術團隊早期接觸過各類存儲器，陳巍博士10多年前就作為國家專項課題的技術負責人主持過當時國內最先進的NOR Flash芯片及MemoryCompiler（存儲器編譯器）的設計研發，作為負責人創建國內首個3D NAND 閃存設計團隊，SRAM、RRAM、MRAM等都接觸了10年以上，有不少這些存儲器的專利。

千芯科技也給這些存儲器做了自己的分類，陳巍強調，在進行存算一體存儲器選擇的時候，重點還是要看客戶和應用需求，根據實際應用場景來選擇存儲器比較合適。

圖：存儲器類型，優勢、不足和適用場景（來自千芯科技）

因為雖然都是存算一體，但是從應用來看，有些存算一體需要更偏向于存（ComputingMemory），有些更偏向于算（MemoryComputing），比如端側一些語音識別、人像識別的場景，對功耗和成本要求比較高，把AI計算的部分和存的部分合成一個器件，能夠有效降低成本。

比如在云計算領域，這個領域需要計算的模型非常大，同時訓練場景下，需要不斷更新數據，因此在這樣的應用場景下，一些非易失存儲器的讀寫速度，就不如SRAM、DRAM、RRAM好，這些場景更偏向于算，它目前會傾向于偏向計算能力的存儲器。

也就是說，如果是偏向于低成本，同時希望待機功耗更好，可以選擇非易失存儲器，包括Flash、RRAM、MRAM等；如果偏向于大規模計算，多數情況下可以選擇RRAM、SRAM和DRAM。另外具體來說選擇哪種存儲器，還和各家的專利布局綁定有關。

大算力存算一體芯片設計

在自動駕駛、數據中心等領域，對大算力的需求比較明顯，因此各家企業也在大算力存算一體芯片的研發和推廣上投入精力。在陳巍看來，目前除了NOR閃存有些受容量限制，上述提到的各類存儲器基本可以用來做大算力存算一體。

閃存存算方面，目前主要路線是基于NOR flash（不是目前優盤所用的閃存類型），多數情況下存儲容量較小，這使得NOR flash單片算力達到1TOPS以上器件代價較大，通常業內說大算力一般是20-100TOPS以上，因此不太好直接做大算力的存算一體。而其他的存儲器，包括SRAM、RRAM等，現在已經看到，有實際產品證明可以是可以用來做到大算力的存算一體。

在設計上，大算力存算一體結構和小算力會有所不同，據陳巍介紹，這跟存算一體架構里面的計算架構有關，大算力計算架構和小算力計算架構不一樣，一是大算力的計算核會有特別的外圍電路設計，來使它的吞吐能力比小算力更強；二是在整體結構上，大算力有更多核心并聯，相當于多個小算力整合成一個大算力，有點類似于GPU的整合方式，因為GPU也相當于是不同的小算力的核心，整合起來的架構。

雖然說都可以做大算力，而基于非易失存儲器，目前做大算力存算一體，也會遇到一些工藝挑戰，基本上循環讀寫次數在十的六到八次方之后，就可能出錯，所以到目前為止，國際上直接用NVM做200Tops以上算力的還較少。

因為在大算力場景下，它有非常高頻度的讀寫，這樣會較早的面臨失效的可能，而這個失效可能會導致計算錯誤，對于產品來說，這是必須要做優化的，特別是在自動駕駛領域，如果遇到這種失效將會導致車輛失控。

這個問題如何解決呢，陳巍表示，經過與業內專家合作分析，他們認為需要從兩方面去做，一是器件的工藝水平需要優化，二是做冗余器件設計去解決這個問題，目前對于計算為主的場景，做冗余器件設計，它的性能可能就沒有先進工藝下的SRAM強，做了冗余設計之后，它的面積也會進一步提升，這樣成本的優勢可能就會有一定的降低。

因此總結來看，選擇何種存儲器去做大算力存算一體，還是要看場景，看客戶的需求，以及還和器件本身的工藝水平有很大關系。

模擬和數字存算一體技術的差別

可以看到，采用模擬還是數字的技術，也是企業常提到的一點，陳巍介紹，一般跟傳感器連接密切的部分，推薦用模擬存算一體的方式，如果計算結構復雜，建議用數字的，因為用模擬結構去做復雜計算，代價比較大，而跟傳感器進行結合的時候，模擬計算有它的天然優勢。

所以其實更多的還是看場景，比如小算力需求，就是做一個聲音識別，或者做一個小規模的圖像識別，這時候用模擬比較合適，如果說要做云計算的大算力，計算結構又復雜，目前看采用數字方式的多些。

上圖是一個存算一體的陣列，比如憶阻器，里面存入矩陣系數，或者叫權重，然后輸入數據，也就是輸入不同的電壓，根據歐姆定律，就會產生不同的電流，每個電流匯聚在一起，即相當于是電流加和（基爾霍夫定理），就完成了一個乘積累加運算，這是模擬電路完成深度學習等各種計算的基本思路。

簡單的理解，數字的方式就是把不同的模擬單元分離開，原來模擬電路，相當于是一個單元存一個模擬數值，可能是幾位的，比如8位、或4位位寬，如果變成數字的方式，相當于一個單元存入一個數值，是一個位寬的。這樣就很明顯，模擬的好處是存儲密度更高，但沒法直接做復雜計算，數字電路離散性會更好，更靈活，可以直接做復雜運算。

存算一體技術的挑戰和未來

目前而言，存算一體的發展還存在一些挑戰，陳巍談到兩點：一是生態建設，盡管存算一體這個概念并不是特別新，但是真正進入實用階段的時間還比較短，特別是通用的編譯生態環境還沒有完全成熟，這樣它在落地上就會存在一些適配要求，因為客戶對生態都是有要求的，因此急需建立存算一體的生態。

二是如何更好的滿足客戶的需求，這也是整個AI芯片落地需要解決的一個問題，企業需要更多從客戶的需求角度去設計產品，對于客戶來說，可能有很多計算場景，它其實不單是需要一個AI技術，還需要其他一些復合的計算類型，比如語音識別場景，它除了AI計算需求之后，還需要語音降噪的算法，這時候就需要根據客戶的需求進行特定場景的優化。

存算一體就技術的未來會怎樣？從兩個階段來看，陳巍認為，目前基本都處于一個市場開拓期，很多客戶還沒有完全意識到存算一體的優勢和價值，不過如果市場能夠出現一個很有影響力的廠商，來證明存算一體芯片，比傳統馮諾伊曼架構AI芯片能力更強，那么很快就會有很大的突破，預計這樣的突破在近期就會發生。

從遠期來看，存算一體會和GPU、CPU技術有很好的結合，成為CPU、GPU、DPU，或者是其他各種AI芯片的計算核心，相當于現有的存算一體技術會給GPU或者CPU賦能，成為現有技術的計算核心。

從商用角度來看，目前國內存算一體芯片至少有兩家量產，估計今年會有很多都可以開始商用，目前已落地的商用還主要是在端側可穿戴設備等領域，一些語音識別，小的視覺模型場景集中。

在自動駕駛和云計算領域，云計算領域的商用預計快一點，估計明后年開始就有產品可以逐步進入中國互聯網大廠，自動駕駛領域的商用時間會比較長，因為自動駕駛從架構設計到最后大批量裝車，一般需要五年時間，如果前面兩年已經完成了設計、流片，大約還要三年的適配和量產測試時間才能實現大批量落地應用。