目前，存內計算的主流技術路線分為3種，分別是Flash、靜態隨機存儲器(SRAM)和阻變式存儲器(RRAM)。
 
選擇SRAM，有著多方面的考量，包括SRAM對高端制程工藝有著比較好的兼容性，產品可靠性更高。同時，在下游的供應鏈環節，公司可以更容易獲得流片的渠道、代工廠相關制程工藝的提供和穩定性也有保障。
 
從應用層來看，考慮到在實際處理比較復雜的AI模型過程中，并不可能將全部模型一次性放入內存中，反而是以“層”為單位進行數據處理。這樣，作為易失性存儲器的SRAM由于沒有擦寫次數上限，避開了一些非易失性存儲器面臨的內存管理等難題。
 
但并不否認Flash和RRAM也有各自的優勢，例如它們的存儲密度相對SRAM會更高，在學術界，曾有人提出RRAM一個存儲單元就相當于普通內存11比特的存儲量，非常有吸引力；兩者都屬于非易失性存儲器，即使遭遇斷電，數據也不會遺失，相關的工藝和功耗表現也都十分出色。
 
行業內近期的確出現了不少致力于存算一體化的公司，但各家的目標市場、底層技術路線、實現存算一體的路徑都不相同。事實上，目前還沒有看到任何一家的技術方案是完全一樣的，這是一個排列組合、百花齊放的過程。
 
曾有行業人士進行過預估，存內計算大概會比現有芯片的理論極限再高出1000倍。這意味著存內計算未來可能還有幾百、幾千倍的發展空間，各家公司從現有端側產品線向更高算力邁進的趨勢也應該會逐漸明朗起來。
 
AI只是陣列式運算加速的一部分，當一個小的存算內核足夠穩定，設計足夠優秀的時候，我們可以通過堆疊的方式向大算力應用領域邁進。從底層器件角度分析，新興存儲器在過去幾年內發展非?？欤悸省⒄`比特率(Bit Error Rate)提升幅度極大，像憶阻器這樣的技術有望在未來幾年內成熟起來，帶動“混合計算”模式成為主流。
 
之所以會出現“混合計算”模式，是因為現在的計算機體系正呈現出類似金字塔式的分級架構，如果存算也參與了整個數據的計算和處理，那么存儲器也會有相應的層次結構(Memory Hierarchy)，例如基于RRAM去完成數據量較大的計算，而SRAM更適合那些追求速度或是精度的計算。以AI模型為例，內部不同的計算密集型和存儲密集型運算，就應該尋找不同存儲介質去完成各自所擅長的工作。


本文關鍵詞：SRAM