摩爾定律逐漸走向消亡之際，應用端對芯片性能的要求卻日漸提升。這種情況下，半導體從業人員就開始尋找另外的出路，存算一體就是其中的一個選擇。

所謂存算一體，從字面上理解，就是把存儲和計算融合成一體。眾所周知，現行的計算領域所流行的是馮諾依曼架構。在這種架構下，存儲和計算是分開的。這兩部分的制程技術還能同步發展，這也推動了芯片性能在過去幾十年獲得了幾何級增長。但進入最近這些年，芯片碰到了“存儲墻”問題，疊加行業在存算一體技術研究的進展，使得這個早在上世紀七十年代就被討論的技術，逐漸走向了臺前。

知存科技創始人創始人和CEO王紹迪也表示，摩爾定律走到頭了，就算強行繼續往下走，代價也非常大，帶來的提升又很有限。“為了在短期內實現算力的繼續提升，存算一體是最好的方式。”

兩堵”墻”：存算一體技術發展的必要性

存算一體的發展是時代發展的要求，現有馮·諾伊曼計算系統采用存儲和運算分離的架構，存在“存儲墻”與“功耗墻”瓶頸，嚴重制約系統算力和能效的提升。

在馮·諾伊曼架構的核心設計中計算機的組成架構包括運算器、控制器、存儲器、輸入設備、輸出設備五部分。

在馮·諾伊曼架構中，計算單元要先從內存中讀取數據，計算完成后，再存回內存，這樣才能輸出。隨著半導體產業的發展和需求的差異，處理器和存儲器二者之間走向了不同的工藝路線。由于工藝、封裝、需求的不同，從1980年開始至今二者之間的性能差距越來越大。數據顯示，從 1980年到 2000年，處理器和存儲器的速度失配以每年50%的速率增加。

存儲器數據訪問速度跟不上處理器的數據處理速度，數據傳輸就像處在一個巨大的漏斗之中，不管處理器灌進去多少，存儲器都只能“細水長流”。兩者之間數據交換通路窄以及由此引發的高能耗兩大難題，在存儲與運算之間筑起了一道“存儲墻”。

此外，在傳統架構下，數據從內存單元傳輸到計算單元需要的功耗是計算本身的約200倍，因此真正用于計算的能耗和時間占比很低，數據在存儲器與處理器之間的頻繁遷移帶來嚴重的傳輸功耗問題，稱為“功耗墻”。

再加上人工智能的發展，需要運算的數據量開始了極大的增長。人工智能算法是一個很龐大和復雜的網絡，包含大量的圖像數據和權重參數，計算的過程中又會產生大量的數據，數據需要在計算單元和存儲單元之間進行頻繁的移動，這迫切需要合適的手段來減少數據移動及其帶來的性能和功耗開銷。

自1945年提出的馮·諾伊曼架構，其本身仍是現代計算機的主要架構，在此架構下關于存算流程的彎路，在當時是合理的。但是在人工智能飛速發展的現在，卻有必要顛覆它。

于是，業界開始尋找弱化或消除存儲墻及功耗墻問題的方法，開始考慮從聚焦計算的馮·諾伊曼體系結構轉向存算一體結構。

存算一體，金字塔從頭建起

為了解決“存儲墻”問題，當前業內主要有三種方案：

用GDDR 或HBM來解決存儲墻問題的馮·諾依曼架構策略；算法和芯片高度綁定在一起的DSA方案；以及存算一體的方案。

HBM是目前業內超大算力芯片常用的方案之一，其優勢在于能夠暫時緩解“存儲墻”的困擾，但其性能天花板明顯，并且成本較高。

DSA方案以犧牲靈活性換取效率提升，算法和硬件高度耦合，適用于已經成熟的AI算法，但并不適用于正處于快速迭代的自動駕駛AI算法中。

最后是存算一體方案，這是一項誕生于實驗室的新興技術，其創新性在于打破了傳統·馮諾伊曼架構局限性，實現了計算與存儲模塊一體化的整合創新，解決了傳統芯片架構中計算與存儲模塊間巨大的數據傳輸延遲、能量損耗痛點，既增加了數據處理速度，又大大降低了數據傳輸的功耗，從而使芯片能效比（即每瓦能提供的算力）得到2-3個數量級（>100倍）的提升。

達摩院計算技術實驗室科學家鄭宏忠曾講過：“存算一體是顛覆性的芯片技術，它天然擁有高性能、高帶寬和高能效的優勢，可以從底層架構上解決后摩爾定律時代芯片的性能和能耗問題。”

因此，存算一體架構可以把算力做的更大，其芯片算力天花板比傳統馮·諾依曼架構更高；同時，大幅降低了數據傳輸的能量損耗，提升了能效比；另外，還能得到更低的延時，存儲和計算單元之間數據搬運的減少，大幅縮短了系統響應時間。

更重要的是，用存算一體架構做大算力AI芯片另一大優勢在于成本控制。不依賴于GDDR 或HBM,存算一體芯片的成本能夠相應的降低50%～70%。

換句話說，真正創新架構的AI芯片是將上文中提到的算力、功耗、成本三角形結構從原來的位置往上挪了三個檔位。不僅可以提高算力，還可以達到降低功耗、控制成本的效果。


未來何去何從

如王紹迪所說，工具鏈對于任何芯片的使用都是非常重要。尤其是在存算一體芯片方面，因為是一個新架構的新產品，并沒有現成的工具可用，因此如何打造一套可用的工具鏈顯得尤為重要。知存科技在過去多年中也面向端側應用開發出了可用的工具鏈。

“在未來的邊緣計算產品，需要的工具鏈會是更復雜，所以我們現在公司超過一半的人在做軟件集成開發環境。”王紹迪接著說。他表示，我們甚至還需要從訓練開始，將存算一體技術融入其中。

據介紹，目前大部分開發算法的人用的是純GPU的環境，但存算一體的算子跟GPU的算子顯然不一樣，計算的精度、模擬精度的定義和GPU計算的定義也都是不一樣的。因此如果不去了解，或者軟件工具不好用的話，那么就只能在GPU上做這個事情。“因此我們要解決這個問題，我們有極強的開發環境，里面雖然會調用GPU，但是調用GPU訓練的時候，已經把存內計算的特點放進去了，這樣就可以在開發過程中針對存內計算的場景去開發這個算法。”王紹迪告訴記者。

在王紹迪看來，存算一體就是計算模塊，并不是存儲，里面存放的只是相當于算法數據，其作用是新一代的計算技術，所以他們把存算一體看成新一代計算的模塊，就像從CPU到GPU一樣，GPU再到存算一體，從一維到二維到三維的計算的轉變。這也就是為什么他認為存算一體未來更需要的是軟件、生態怎么跟現有的計算系統更好地融合，更低成本地去開發，這也是存算一體的最終極形態。

除此以外，王紹迪也對存儲一體的另外發展形態方向做了分享。如是否能以IP模式與其他計算模塊集成，就是業界關注的一個熱點。

針對這個問題，王紹迪回應道，IP模式是存算一體很適合走的道路，但難度大。一方面因為這需要考慮IP的接口完備定義以及和現有的要兼容；另一方面，這些IP加進去之后，是否要改變原有主芯片量產的流程？帶來的替城成本和時間成本也讓人更加謹慎。

為此王紹迪認為，存內計算最好的解決方式是未來通過chiplet的形式去結合。

在談到存算一體技術未來的技術演進的時候，王紹迪表示，存算一體芯片一部分會遵循摩爾定律，一部分又不遵循摩爾定律。前者的代表是存儲部分，后者的代表是計算部分。

“目前的存內計算大家都沒有采用最先進的工藝，因此未來幾年，在邏輯數據流當中的提升，大家還是會按摩爾定律繼續往下走去提升。”王紹迪說。

他同時強調，存儲技術技術會是存算一體技術發展的主要限制因素。“但目前存儲技術已經遠遠領先于采用的容量了，距離我們達到存儲器制約還有十年左右的時間。因此我們目前的工作重點在于如何繼續創新，發現更多的問題，解決問題。”王紹迪說。