存算一体优势、应用场景及发展前景如何？

AI芯片的“全能战士”。

存算一体优势显著，被誉为AI芯片的“全能战士”其优势如下: 1、成百上千倍的提高计算效率，降低成本:存算一体的优势是打破存储墙，消除不必要的数据搬移延迟和功耗，使用存储单元提升算力； 2、特定领域提供更高算力与能效:存算一体架构消除了计算与存储的界限，直接在存储器内完成计算，因此属于非冯诺伊曼架构，在特 定领域可以提供更大算力（1000TOPS以上）和更高能效（超过10-100TOPS/W），明显超越现有ASIC算力芯片； 3、存算一体代表了未来AI计算芯片的主流架构: 除AI计算外，存算技术也可用于感存算一体芯片和类脑芯片，可减少不必要的数据搬 运与使用存储单元参与逻辑计算提升算力，原因在于等效于在面积不变的情况下规模化增加计算核心数。

存算一体应用场景极其广阔: 端侧小算力场景，算力范围约从16TOPS至100TOPS，例如智 能可穿戴设备、智能安防、移动终端、AR\VR等。大算力场景，算力序曲在1000TOPS以上， 例如云计算数据中心、自动驾驶、GPT-4等大模型等。我们认为云和边缘大算力场景，是 存算一体芯片的优势领域，存算一体更具备核心影响力和竞争力；

SRAM、RRAM有望成为云端存算一体主流介质: 目前可用于存算一体的成熟存储器有NOR FLASH、SRAM、DRAM、RRAM、MRAM等；Nor Flash属于非易失性存储介质，在工艺制成上有 明显瓶颈；DRAM成本较低，容量大，但是速度慢；SRAM在速度方面和能效比方面具有优势， 特别是在存内逻辑技术发展起来之后具有明显的高能效和高精度特点；此外，PRAM有望成 为下一代主流研究方向，虽然目前来看材料依旧不稳定，但是具有高速、结构简单的优点， 有希望成为未来发展最快的新型存储器。

存算一体需求旺盛，有望推动下一阶段的人工智能发展: 我们认为现在存算一体主要AI的算力需求、并行计算、神经网络计算等，因此 存算一体需求旺盛；以数据中心为例，百亿亿次（E级）的超级计算机成为各国比拼算力的关键点，为此美国能源部启动了“百亿亿次 计算项目”，我国则联合国防科大、中科曙光等机构推出首台E级超算，而E级超算面临的主要问题为功耗过高、现有技术超算功率高达 千兆瓦，需要一个专门的核电站来给它供电，而其中50%以上的功耗都来源于数据的“搬运”，本质原因是计算与存储分离所致。

大模型兴起，存算一体适用于从云至端各类计算: ChatGPT等“大模型”兴起，本质即为神经网络、深度学习等计算，因此，我们认为 对算力需求旺盛；端测方面，人工智能更在意及时响应，即“输入”即“输出”，同时，随着存算一体发展，存内计算和存内逻辑，已 经可以完成高精度计算；云端方面，随着大模型的横空出世，参数方面已经达到上亿级别，因此对算力的能耗方面考核更加严格，随着 SRAM和PRAM等技术进一步成熟，存算一体有望成为新一代算力因素，从而推动人工智能产业的发展。

我们认为存算一体为下一代技术趋势，原因及创新应用科技场景如下:人工智能神经网络相关应用:存算一体具有能耗优势，其使用成本能大幅降低，可将带AI计算的中大量乘加计算的权重部分存在存储单元中从而在读取的同时进行数据输入和计算处理，从而完成卷积运算。因此存内计算和存内逻辑非常适合人工智能的深度神经网络应用和基于AI的大数据技术；

感存算一体，多模态的人工智能计算: 集传感、储存和运算为一 体构建感存算一体架构，我们认为其为多模态时代下的应用场景， 通过传感器AI存算一体芯片，来实现零延时和超低功耗的智能视 觉处理能力。我们认为其融入了CV(计算机视觉)、PRA(过程自动 画)、神经网络计算等多种计算方式，存算一体芯片具有时效、能 耗等多重优势； 存算一体是类脑计算的关键技术基石: 类脑计算又称神经形态计 算，是借鉴生物神经系统信息处理模式和结构的计算理论、体系 结构、芯片设计等算法总称；类脑计算属于大算力高能耗反冲， 存算一体极其适合大算力领域，因此天然适合应用在类脑计算领 域，是类脑计算的关键技术基石。