过去几年，越来越多企业加入到存算一体技术的研究中，如今，存算一体芯片已经逐渐走向商用。
从目前入局的企业来看，路线各异，包括采用不同类型的存储器，从中小算力入手，或是直接进行大算力存算一体芯片的研究，有的是采用模拟的存算技术，有的采用数字的存算技术。那么如何选择合适的存储器类型，如何做大算力的存算一体芯片设计，采用模拟技术还是数字的方式？千芯科技董事长陈巍在接受电子发烧友采访的时候做了详细介绍。千芯科技致力于大算力存算一体芯片技术的研究，在SRAM、MRAM、RRAM方面都有探索，目前基于SRAM存算一体产品样卡正在测试，公司也在与中科院、清华大学等机构一起优化基于RRAM、MRAM存算一体电路的设计。该公司技术团队早期接触过各类存储器，陈巍博士10多年前就作为国家专项课题的技术负责人主持过当时国内最先进的NOR Flash芯片及Memory Compiler（存储器编译器）的设计研发，作为负责人创建国内首个3D NAND 闪存设计团队，SRAM、RRAM、MRAM等都接触了10年以上，有不少这些存储器的专利。千芯科技也给这些存储器做了自己的分类，陈巍强调，在进行存算一体存储器选择的时候，重点还是要看客户和应用需求，根据实际应用场景来选择存储器比较合适。
图：存储器类型，优势、不足和适用场景（来自千芯科技）因为虽然都是存算一体，但是从应用来看，有些存算一体需要更偏向于存（Computing Memory），有些更偏向于算（Memory Computing），比如端侧一些语音识别、人像识别的场景，对功耗和成本要求比较高，把AI计算的部分和存的部分合成一个器件，能够有效降低成本。比如在云计算领域，这个领域需要计算的模型非常大，同时训练场景下，需要不断更新数据，因此在这样的应用场景下，一些非易失存储器的读写速度，就不如SRAM、DRAM、RRAM好，这些场景更偏向于算，它目前会倾向于偏向计算能力的存储器。也就是说，如果是偏向于低成本，同时希望待机功耗更好，可以选择非易失存储器，包括Flash、RRAM、MRAM等；如果偏向于大规模计算，多数情况下可以选择RRAM、SRAM和DRAM。另外具体来说选择哪种存储器，还和各家的专利布局绑定有关。在自动驾驶、数据中心等领域，对大算力的需求比较明显，因此各家企业也在大算力存算一体芯片的研发和推广上投入精力。在陈巍看来，目前除了NOR闪存有些受容量限制，上述提到的各类存储器基本可以用来做大算力存算一体。闪存存算方面，目前主要路线是基于NOR flash（不是目前优盘所用的闪存类型），多数情况下存储容量较小，这使得NOR flash单片算力达到1 TOPS以上器件代价较大，通常业内说大算力一般是20-100TOPS以上，因此不太好直接做大算力的存算一体。而其他的存储器，包括SRAM、RRAM等，现在已经看到，有实际产品证明可以是可以用来做到大算力的存算一体。在设计上，大算力存算一体结构和小算力会有所不同，据陈巍介绍，这跟存算一体架构里面的计算架构有关，大算力计算架构和小算力计算架构不一样，一是大算力的计算核会有特别的外围电路设计，来使它的吞吐能力比小算力更强；二是在整体结构上，大算力有更多核心并联，相当于多个小算力整合成一个大算力，有点类似于GPU的整合方式，因为GPU也相当于是不同的小算力的核心，整合起来的架构。
虽然说都可以做大算力，而基于非易失存储器，目前做大算力存算一体，也会遇到一些工艺挑战，基本上循环读写次数在十的六到八次方之后，就可能出错，所以到目前为止，国际上直接用NVM做200Tops以上算力的还较少。因为在大算力场景下，它有非常高频度的读写，这样会较早的面临失效的可能，而这个失效可能会导致计算错误，对于产品来说，这是必须要做优化的，特别是在自动驾驶领域，如果遇到这种失效将会导致车辆失控。这个问题如何解决呢，陈巍表示，经过与业内专家合作分析，他们认为需要从两方面去做，一是器件的工艺水平需要优化，二是做冗余器件设计去解决这个问题，目前对于计算为主的场景，做冗余器件设计，它的性能可能就没有先进工艺下的SRAM强，做了冗余设计之后，它的面积也会进一步提升，这样成本的优势可能就会有一定的降低。因此总结来看，选择何种存储器去做大算力存算一体，还是要看场景，看客户的需求，以及还和器件本身的工艺水平有很大关系。可以看到，采用模拟还是数字的技术，也是企业常提到的一点，陈巍介绍，一般跟传感器连接密切的部分，推荐用模拟存算一体的方式，如果计算结构复杂，建议用数字的，因为用模拟结构去做复杂计算，代价比较大，而跟传感器进行结合的时候，模拟计算有它的天然优势。所以其实更多的还是看场景，比如小算力需求，就是做一个声音识别，或者做一个小规模的图像识别，这时候用模拟比较合适，如果说要做云计算的大算力，计算结构又复杂，目前看采用数字方式的多些。
上图是一个存算一体的阵列，比如忆阻器，里面存入矩阵系数，或者叫权重，然后输入数据，也就是输入不同的电压，根据欧姆定律，就会产生不同的电流，每个电流汇聚在一起，即相当于是电流加和（基尔霍夫定理），就完成了一个乘积累加运算，这是模拟电路完成深度学习等各种计算的基本思路。简单的理解，数字的方式就是把不同的模拟单元分离开，原来模拟电路，相当于是一个单元存一个模拟数值，可能是几位的，比如8位、或4位位宽，如果变成数字的方式，相当于一个单元存入一个数值，是一个位宽的。这样就很明显，模拟的好处是存储密度更高，但没法直接做复杂计算，数字电路离散性会更好，更灵活，可以直接做复杂运算。目前而言，存算一体的发展还存在一些挑战，陈巍谈到两点：一是生态建设，尽管存算一体这个概念并不是特别新，但是真正进入实用阶段的时间还比较短，特别是通用的编译生态环境还没有完全成熟，这样它在落地上就会存在一些适配要求，因为客户对生态都是有要求的，因此急需建立存算一体的生态。二是如何更好的满足客户的需求，这也是整个AI芯片落地需要解决的一个问题，企业需要更多从客户的需求角度去设计产品，对于客户来说，可能有很多计算场景，它其实不单是需要一个AI技术，还需要其他一些复合的计算类型，比如语音识别场景，它除了AI计算需求之后，还需要语音降噪的算法，这时候就需要根据客户的需求进行特定场景的优化。存算一体就技术的未来会怎样？从两个阶段来看，陈巍认为，目前基本都处于一个市场开拓期，很多客户还没有完全意识到存算一体的优势和价值，不过如果市场能够出现一个很有影响力的厂商，来证明存算一体芯片，比传统冯诺伊曼架构AI芯片能力更强，那么很快就会有很大的突破，预计这样的突破在近期就会发生。从远期来看，存算一体会和GPU、CPU技术有很好的结合，成为CPU、GPU、DPU，或者是其他各种AI芯片的计算核心，相当于现有的存算一体技术会给GPU或者CPU赋能，成为现有技术的计算核心。从商用角度来看，目前国内存算一体芯片至少有两家量产，估计今年会有很多都可以开始商用，目前已落地的商用还主要是在端侧可穿戴设备等领域，一些语音识别，小的视觉模型场景集中。在自动驾驶和云计算领域，云计算领域的商用预计快一点，估计明后年开始就有产品可以逐步进入中国互联网大厂，自动驾驶领域的商用时间会比较长，因为自动驾驶从架构设计到最后大批量装车，一般需要五年时间，如果前面两年已经完成了设计、流片，大约还要三年的适配和量产测试时间才能实现大批量落地应用。 
分享至微信
