存算一体架构或成为AI处理器技术发展关键

©作者|坚果

来源|神州问学

 引言

马斯克巨资60亿美元打造的“超级算力工场”，通过串联10万块顶级NVIDIA H100 GPU，不仅震撼了AI和半导体行业，促使英伟达股价应声上涨6%，还强烈暗示了AI大模型及芯片需求的急剧膨胀。这一行动不仅是马斯克对AI未来的大胆押注，也成为了全球企业加速布局AI芯片领域的催化剂，预示着一场科技革新竞赛的全面升级，各方竞相提升算力，争夺AI时代的战略高地。观察近期Blackwell与Gaudi 3芯片的设计优化路径，不难发现GPU芯片制造商已在不同程度上汲取了存算一体技术的精髓，尤其侧重于近存计算架构的采纳，以此直面大模型对高算力与高存储需求的挑战。

存算一体技术详解

存算一体（Computational Memory或In-Memory Computing）的概念并非新近才出现，而是计算机科学领域一个长期的研究方向。它的起源可以追溯到早期计算机架构的探索，旨在克服冯·诺依曼架构的局限性，特别是数据传输带宽瓶颈（通常称为“内存墙”）的问题。

存算一体技术的过去和现在

追溯至上世纪80年代，存算一体的概念初现端倪，彼时研究者开始探讨如何在存储器内部直接进行计算，以减少数据在处理器与内存之间频繁移动带来的延迟与能耗。然而，受限于当时的材料科学与制造工艺，早期的尝试多停留在理论探索与初步原型阶段。进入21世纪，随着纳米科技、新材料与先进制造技术的飞速发展，存算一体技术迎来了突破性进展。新型非易失性存储器，如相变存储器(PCM)、磁阻随机存取存储器(MRAM)和电阻式随机存取存储器(RRAM)，因其具备高速度、低功耗及非易失性等特点，成为实现存算一体的关键载体。这些存储技术不仅能够存储信息，还能在其存储单元上直接执行基本逻辑运算，从而大幅缩短数据传输距离，显著提升整体计算效能。近年来，存算一体技术在学术界与产业界均获得了广泛关注与投资，多家科研机构与企