現在生成式人工智能已經引爆新的智能革命發展的浪潮，計算能力支撐下的人工智能技術是人類的生產和生活方式改變著隨之而來的需求大量的計算能力，龐大的計算能力不足問題如何解決，實現能源效率大幅提升，變得越來越迫切。

最近，清華大學教授吳華強和副教授高斌基于一體化存儲計算范例，在存儲存儲一體化芯片領域取得重大突破。《科學》（science）以《edge learning using a fully integrated neuro-inspired memristor chip》為題，在權威學術雜志《科學》（Science）上在線發表。

據介紹，記憶電阻器是繼電阻、電容器、感應之后的第四電路的基本部件。即使斷電也能記錄通過的電荷，因此被稱為新的納米電子突觸零件。

憶阻器存算一體技術從底層器件，配件、電路結構計算和理論全面計算，傳統計算架構，馮諾伊曼是計算能力和提高能源效率的跨越式技術還能夠實現終端設備可以利用的學習特點，支持實時片上學習，陪可以以地區為基礎的學習訓練的邊緣新場景。

然而實現全系統集成的、支持高效片上學習的憶阻器芯片仍面臨較大挑戰，至今還未實現的原因主要是傳統的逆轉宋訓練算法所要求的高精權重更新方式和在利斯特的實際特性之間的兼容性比較不好的緣故。

為解決上述挑戰，該研究團隊基于存算一體計算范式，創造性提出適配憶阻器存算一體實現高效片上學習的新型通用算法和架構（STELLAR），大規模堵排列和模擬型憶的有效實現cmos外知道三維集成、算法、結構通過整合方式的全過程協同創新，世界上最早研制出全系統集成，支持高效芯片學習的內存集成芯片。

這個芯片是學習芯片所需的所有電路模塊，圖像分類，包括語音識別和控制等多種任務的芯片增量學習功能的驗證，成功地完成了工作，高適應性、高能源效率高的普遍性，展現出較高的準確度等特點。

同時，芯片具有能效的優點，在相同的作業中，芯片僅達到尖端技術專用集成電路（asic）系統能耗的3%，能效的瓶頸現象為馮·諾依曼傳統計算架構提供了突破的新途徑