2021年，全球半導(dǎo)體產(chǎn)業(yè)銷售總額共計5.559億美元，其中，中國以1925億美元的半導(dǎo)體銷售額成為全球規(guī)模最大的區(qū)域市場。在這個千億美元市場中，有價值數(shù)億元的高端制造設(shè)備，也有價格幾元到幾十元不等的芯片。

今天，全球半導(dǎo)體市場的競爭格局相對穩(wěn)定，在產(chǎn)業(yè)鏈各環(huán)都由市場份額占絕對優(yōu)勢的企業(yè)主導(dǎo)，這些企業(yè)憑借著極高的技術(shù)壁壘，在擊退新玩家的同時也掌握著行業(yè)的發(fā)展動向。

半導(dǎo)體產(chǎn)業(yè)“牽一發(fā)而動全身”的特性導(dǎo)致新玩家很難憑一己之力改變行業(yè)內(nèi)的某些規(guī)則，改變往往來自應(yīng)用側(cè)的真實需求。正是基于這個特性，我們所看到的半導(dǎo)體行業(yè)創(chuàng)新案例往往具備更高的可靠性。

半導(dǎo)體行業(yè)隨著應(yīng)用側(cè)技術(shù)的發(fā)展而演進，不斯往下做的先進工藝正是因為人工智能的發(fā)展，對于計算規(guī)模和計算速度的要求在不斷提高。當(dāng)先進工藝走到7nm以下，芯片在物理層面的缺點逐漸顯現(xiàn)，隨之而來的是持續(xù)走高的成本投入。

由于當(dāng)前幾乎所有芯片大廠都將主要精力放在先進工藝研發(fā)上，產(chǎn)業(yè)鏈上中下游的配合方也都圍繞先進工藝開展相應(yīng)研發(fā)，然而，在突破1nm極限后，摩爾定律將由此失效，基于馮諾依曼架構(gòu)的芯片技術(shù)發(fā)展將不會再依托先進工藝。

在技術(shù)快要走到極限之時，必然會提前出現(xiàn)“掉頭”的現(xiàn)象，在半導(dǎo)體領(lǐng)域，“掉頭”意味著在芯片從0到1的各個環(huán)節(jié)尋找新的方法突破瓶頸。

芯片領(lǐng)域的創(chuàng)新包括先進封裝技術(shù)，新型架構(gòu)，新材料等各個方向。在其中，我們關(guān)注到基于存算一體架構(gòu)的芯片研發(fā)。在采訪了部分行業(yè)頭部機構(gòu)后，我們希望可以還原存算一體技術(shù)的本真，并且能夠一探這一領(lǐng)域的真正價值。

人工智能芯片是人工智能技術(shù)發(fā)展的硬件基礎(chǔ)

人工智能芯片是人工智能技術(shù)發(fā)展的硬件基礎(chǔ)，在人工智能發(fā)展三大要素，數(shù)據(jù)、算法和算力中，算力主要由人工智能芯片支撐。人工智能芯片目前有兩種發(fā)展路徑:一種是在傳統(tǒng)計算架構(gòu)下的A加速器/針?biāo)憧?，主要以GPU, FPGA ASIC等為代表;另一種路徑是顛覆傳統(tǒng)的馮諾依曼架構(gòu)，采用新的架構(gòu)來提升計算能力，以存算一體芯片為代表。

當(dāng)前，摩爾定律已派近極限，依靠器件尺寸微縮來提高芯片性能的技術(shù)路徑在功耗和可靠性方面都面臨巨大挑戰(zhàn)。傳統(tǒng)的馮諾依曼架構(gòu)已無法適應(yīng)如今Al計算對算力和低功耗的需求，存算一體芯片架構(gòu)是需求變化中催生出的新型計算架構(gòu)，在算力和能效比方面相比馮諾依曼架構(gòu)具有絕對優(yōu)勢。

存算一體是將存儲單元和計算單元合為一體，省去了計算過程中數(shù)據(jù)搬運環(huán)節(jié)，消除了由于數(shù)據(jù)搬運帶來的功耗和延遲，有望徹底解決傳統(tǒng)馮諾伊曼架構(gòu)的存儲墻問題，極大提高計算能效。由于實現(xiàn)形式不同，目前業(yè)內(nèi)對于存內(nèi)計算的概念并沒有形成非常明確的定義。

過去幾十年，半導(dǎo)體行業(yè)都是按照摩爾定律在發(fā)展

過去幾十年，半導(dǎo)體行業(yè)都是按照摩爾定律在發(fā)展。摩爾定律的核心內(nèi)容是“集成電路上可以容納的晶體管數(shù)目大約每經(jīng)過18個月便會增加一倍”。在摩爾定律能夠持續(xù)往下走的時候，每一到兩年換一代芯片工藝，整體性能便可提升數(shù)倍，成本也會自然降低。在性能提升速度非?？斓那疤嵯?，產(chǎn)業(yè)界不需要進行架構(gòu)創(chuàng)新便可以不斷開拓新的市場空間。

到2010年以后，進入后摩爾時代，人們意識到摩爾定律會走到極限，自2012年以來，AI訓(xùn)練任務(wù)的算力需求每3.5個月就會翻倍，這個數(shù)字遠超過摩爾定律的18月，為了滿足算力需求，芯片需要更高的集成度，晶體管的體積變得越來越小。當(dāng)小到一定程度時(逼近物理極限)，便會引發(fā)現(xiàn)新現(xiàn)象，如量子隧穿效應(yīng)。

在馮諾依曼架構(gòu)下，即使處理器的算力能夠做到非常大，但存儲器的訪問速度遠比不上處理器的處理速度，導(dǎo)致處理器的實際性能受到嚴(yán)重制約，當(dāng)前針對算力需求出現(xiàn)了很多解決方案，如先進工藝、3D堆魯技術(shù)等，但這些技術(shù)依舊是基于馮諾依曼架構(gòu)下，仍無法從底層突破瓶頸，很快也會面臨技術(shù)走到極限的問題。

當(dāng)前最先進的計算機采用的都是馮諾依曼架構(gòu)。在這種架構(gòu)下，數(shù)據(jù)的處理和存儲是分離的，分別由中央處理器CPU和存儲器完成。每次執(zhí)行運算時，需要把數(shù)據(jù)從存儲器搬運到處理器，中間經(jīng)過數(shù)據(jù)總線，當(dāng)數(shù)據(jù)處理完之后再將其搬回存儲器中。

馮諾依曼理論模型的重要假設(shè)之一是計算與存儲速度相當(dāng)，如果雙方一旦在速度上不匹配，慢的一方將會制約整體計算效率，隨著半導(dǎo)體產(chǎn)業(yè)的發(fā)展，處理器和存儲器針對不同的用戶需求形成了不同的工藝路線，速度快成為處理器的發(fā)展方向，存儲器則強調(diào)大容量和低功耗，導(dǎo)致處理器的運行速度遠快于存儲器。

隨著人工智能技術(shù)爆發(fā),計算機每天要在處理器和存儲器之間進行高頻數(shù)據(jù)傳遞，產(chǎn)生大量功耗。谷歌2018年對其產(chǎn)品耗能情況展開調(diào)研，結(jié)果顯示系統(tǒng)能耗的62.7%浪費在CPU和內(nèi)存的讀寫傳輸上。

在數(shù)據(jù)傳遞過程中，內(nèi)存的傳輸速度跟不上CPU性能，會導(dǎo)致實際算力受限，影響CPU運行處理速度。假設(shè)CPU處理運算一道指令的耗時為1ns, 內(nèi)存讀取傳輸該指令的耗時大約在10ns. 上述問題所導(dǎo)致的散熱需求增加、用電成本上升以及算力浪費都是企業(yè)在人工智能技術(shù)發(fā)展中面臨的瓶頸。

面對數(shù)據(jù)搬運產(chǎn)生的高能耗和存算分離導(dǎo)致的性能瓶頸，存算一體架構(gòu)能夠從根本上解決馮諾依曼瓶頸。存算一體是在存儲器內(nèi)嵌入計算能力，以新的架構(gòu)進行二維或三維矩陣運算。這種直接利用存儲器進行數(shù)據(jù)處理的方式，消除/縮小了計算單元和存儲單元之間的距離，從而解決馮諾依曼瓶頸。

免責(zé)聲明：本文是轉(zhuǎn)載，版權(quán)歸原作者所有。所以注明轉(zhuǎn)載來源。本文所用視頻、圖片、文字如涉及作品版權(quán)問題，請第一時間告知，我們將立即刪除內(nèi)容！本文內(nèi)容為原作者觀點，并不代表本站贊同其觀點和對其真實性負(fù)責(zé)。