技术的快速的提升，我们正步入一个以大模型为核心的新时代。然而在这一浪潮中，传统的冯·诺依曼架构却逐渐显露出其狭隘性。

　　该架构虽然奠定了现代计算机的基础，但在面对海量数据处理与大模型训练时，却受限于存储与计算分离的设计，导致数据搬运成为性能瓶颈，严重制约了计算效率的提升。

　　为了突破这一瓶颈，业界开始将目光聚焦于另一个计算架构——存算一体，这是一种将存储和计算功能融合在同一个芯片上的技术架构。

　　事实上，存算一体的概念由来已久。早在1969年，斯坦福研究所的Kautz等人提出了存算一体计算机的概念。但受限于当时的芯片制造技术和算力需求的匮乏，那时存算一体仅仅停留在理论研究阶段，并未得到实际应用。

　　而近年来，随着半导体制造技术突破，以及AI等算力密集应用场景的崛起，存算一体技术也得到迅猛发展。2017年，英伟达、微软、三星等提出存算一体原型，随后，国内也诞生一批存算一体芯片企业，苹芯科技是其中之一。

　　8月8日，苹芯科技正式对外发布了两款新品，包括存算一体NPU“PIMCHIP-N300”和多模态智能感知芯片“PIMCHIP-S300”，后者采用的是28纳米制程工艺。

　　苹芯科技CEO杨越在接受21世纪经济报道记者正常采访时指出，“存算一体就是要在成熟制程实现高级制程的计算能力，这让我们不用非去卷高级制程”。

　　在存算一体技术出现之前，计算架构基本都是遵循冯·诺依曼架构，即存储与计算单元分离。

　　杨越向记者表示，在冯·诺依曼架构下，当计算发生时，数据需要在存储和计算单元直接传输。而在AI算力芯片中，超过90%的功耗都消耗在传输上，所以原来的架构在计算效率上很难支撑AI的发展。

　　此前，提高计算效率的办法是升级制程工艺，从最初的65纳米、40纳米已经变成7纳米、5纳米甚至3纳米。然后，这种方法后来也遭遇了瓶颈。

　　因此2020年前后，国内出现一批公司，他们试图从其他维度去解决计算效率提升的问题。“比如存算一体公司、量子计算公司、光子芯片公司等，这一些企业希望去改变芯片的架构来减少数据的搬移。而在不同的技术路径中，存算一体是落地性最强的一个赛道”。杨越说。

　　在存算一体赛道中，不同公司也存在一定的差异，主要是底层所采用的Memory（存储器）类型不同。有的是用flash做，有的是用静态随机存储器（SRAM）做，还有的是用新型存储器——忆阻器来做。

　　杨越和记者说，不同的Memory所具有的特性不同，有的密度高，有的耐久性更好。而苹芯科技选择SRAM，是因为它的产品化能力最强。

　　“在用户最关心的几个性能维度上，比如读写的延时、耐久性、Memory可擦写的次数、高级制程兼容性等，SRAM的表现都是最优的。另外，因为SRAM在计算机体系中已经存在几十年了，它的成本、良率都很稳定。所以如果想要快速产品化，SRAM会是最优的解决方案”。杨越表示。

　　另外，即便是使用同一种Memory来做的企业，面向的场景也可能不同。有些公司选择了大算力场景，比如汽车、服务器，苹芯科技选择的则是小端侧场景，比如智能可穿戴设备、智慧家居等。

　　杨越称，选择小端侧场景，是因为算力整体并不是非常大，但是对于功耗的要求又比较敏感。“做出这一选择，我们是从电路、系统架构、应用、成本等角度进行了综合考量，觉得小端侧场景更适合快速出产品”。

　　他举例说，“我们团队的背景之前都是做新型存储器的，但我们仍就采用SRAM方案，核心原因是我们大家都认为这个方案在2-3年内可以产品化，这是符合投资人商业逻辑的，也是符合产业商业逻辑的”。

　　目前，包括英特尔、三星、IBM、AMD等在内的传统芯片厂商都在布局存算一体，苹芯科技等初创公司怎么样应对与巨头的竞争？

　　杨越表示，从行业角度，大家做的事情是趋同的，就希望让数据的搬运彻底消失。包括苹芯科技在内的一些初创公司，其优点是选择了存内计算方案，这几乎能将缩短数据距离这件事做到极致化。但大厂们不太可能去这样做，因为他们要考虑通用性的问题，这实际上也为勇于探索商业模式的公司提供了机会。

　　其中，近存计算是利用先进的封装技术，将计算芯片和存储器封装到一起，通过减少内存和处理单元之间的路径，提高传输效率；存内处理侧重于将计算过程尽可能地嵌入到存储器内部，减少处理器访问存储器的频率；存内计算则是将计算和存储完全融合的技术，通过电路革新或集成额外的计算单元来实现。

　　因为存内计算对制程工艺要求不高，所以这也是国内勇于探索商业模式的公司主要选择的技术路径。华西证券在一份研报中指出，近存计算的代际设计成本较低，适合传统架构芯片转入，目前该技术已十分成熟，被大范围的应用于各类CPU和GPU上。而存内计算大多数都用在算法固定的场景算法计算。

　　杨越指出，目前电子科技类产品正朝着小型化、智能本地化的方向发展，这给存算一体勇于探索商业模式的公司带来了很大的市场机遇。

　　“小型化意味着电池不能做得太大，然后还要去很好地驱动AI计算，这在传统架构中很难实现。比如现在基于传统架构的一些智能设备，当它们打开AI功能时，非常容易发热，原因主要在于有大量的数据搬运，而存算一体可以将产品体验变得更好”。他说。

　　据杨越介绍，苹芯科技的产品未来会有两个迭代方向，一是在功能上，要从现在的卷积神经网络（CNN）迭代到Transformer模型，二是在计算效率上，会把制程工艺从现在的28纳米，升级到22纳米、14纳米，最终定格在12纳米。