SRAM對于AI至關重要，尤其是嵌入式SRAM。它具有最高的性能，可以將其直接與高密度邏輯集成。僅出于這些原因，它就很重要。邏輯的擴展性比 SRAM 更好。因此，SRAM 變得更加重要，并且占用了更大的芯片面積。一些處理器上有大量的SRAM，這種趨勢可能會持續下去，這開始成為整個處理器的重要成本驅動因素。希望將盡可能多的計算集成到這些高性能訓練引擎上。隨著我們的進展，看看如何處理這個問題將會很有趣。看到的一件事是，這些達到標線極限的大型芯片被分解為多個小芯片，并通過適當的互連使它們能夠充當一個大型芯片，從而集成更多的計算和更多的 SRAM。反過來，大量的 SRAM 進一步推動了向基于小芯片的實現的轉變。  
 
    ?無論是數據中心還是兩美元的邊緣設備，機器學習都是一個內存管理問題。這不是一個計算問題。歸根結底，你要么擁有大量的訓練集，并且整天試圖在片外和片內來回洗牌，要么你正在迭代推理，你已經得到了一堆權重，你就會得到激活。不同風格的計算實現之間的所有架構差異都可以歸結為管理內存以及管理權重和激活流的不同策略，這在很大程度上取決于可用和選擇的內存類型。任何芯片架構師都在有效地規劃出適合其部署場景的內存層次結構，但在任何場景中，都必須擁有 SRAM。


本文關鍵詞：SRAM

相關文章：16Mb異步快速SRAM芯片S6R1616V1M