背景

存内计算产品基于其不同的器件特性和计算方式，能够为云、边缘和端设备提供推理、训练等多种人工智能（AI）能力，从而提升运算效率、降低系统功耗以及设备成本。这些产品在不同的应用场景中发挥着关键作用。

1. 推理能力提升： 存内计算产品在推理任务中展现出优越的性能。通过在存储器内部执行计算，避免了频繁的数据传输，从而大幅提升了推理任务的效率。这对于云端、边缘设备以及终端设备上运行的AI应用都具有重要的意义。

2. 训练加速： 存内计算产品的设计有助于加速AI模型的训练过程。存储器内部的计算单元能够直接处理大规模的数据，减少了对外部计算资源的依赖，提高了训练效率。这对于需要在本地进行模型更新和训练的场景非常有益。

3. 运算效率提升： 存内计算直接在存储器中完成计算，减少了数据在存储和计算单元之间的移动，从而提高了运算效率。这对于处理大规模数据集和复杂计算任务的场景尤为重要。

4. 降低系统功耗： 存内计算的设计能够降低整个系统的功耗，因为它减少了数据传输的需求，避免了在存储和计算单元之间频繁读写数据的开销。这使得在边缘和端设备上运行的AI应用更为节能。

5. 降低设备成本： 存内计算的技术可以使设备更为紧凑，同时减少了对外部计算资源的需求，从而有望降低整个设备的成本。这对于推动AI技术在广泛的设备中的采用具有积极的影响。

数字存内计算技术研究

数字存内计算通过在存储阵列内部加入逻辑计算电路，例如与门和加法器等，使得数字存内计算阵列具备存储和计算能力[5]。以下以静态随机存储器（Static Random-Access Memory，SRAM）为例，介绍数字存内计算的基本原理。

在数字存内计算中，输入数据是一个向量 [IN, IN, …, IN]，这些数据依次存入存储单元。模型参数 [W, W, …] 存储在相应的存储单元中。通过控制存储器的读字线（Read WordLine, RWL），实现输入数据与存储单元内的模型参数进行乘法操作。然后，通过数字加法树（Digital Add Tree）实现累加，从而完成向量乘加运算。对于多个向量，可以重复以上过程，从而实现矩阵乘加计算。

需要注意的是，数字存内计算的存储单元只能存储单比特数据，并且由于需要增加部分传统逻辑电路，这在一定程度上限制了其面积和能效的优势。因此，当前业界多采用可兼容先进工艺的SRAM来实现数字存内计算。这样的设计可以更好地平衡存储和计算的需求，同时保持较高的集成度和能效。

端侧应用场景

根据IDC的预测，到2025年，全球物联网设备数量将超过400亿台，产生的数据量接近80ZB。在智慧城市、智能家居、自动驾驶等多个场景中，超过一半的数据需要依赖于终端本地处理。单个设备的算力需求预计将在0.1~64TOPS之间。此外，各种终端设备对运行时间、功耗、便携性等方面有较高要求，例如智能眼镜/耳机需要保证满负荷待机时间超过16小时，而手机的最高运行功耗不应超过8W。终端设备的未来发展将更加注重时延、功耗、成本和隐私性等需求特征。

与传统方案相比，存内计算在功耗和计算效率等方面具有显著优势。在相同制程工艺下，存内计算芯片能够在单位面积上提供更高的算力，更低的功耗，从而延长设备的工作时间。这使得存内计算在端侧具有广阔的应用前景，将广泛应用于家庭网关、工业网关、摄像头、可穿戴设备等场景。

目前，存内计算产品已经成功在端侧初步商用，为语音、视频等AI处理能力提供支持，并取得了十倍以上的能效提升。这有效地降低了端侧设备的成本，使得存内计算在应对未来大规模物联网设备挑战的同时，为各种终端应用提供了更为高效和可持续的解决方案。

边侧应用场景

随着云游戏、车联网等边缘计算应用的迅速发展，海量数据将在边缘进行处理，流量模型逐渐从云扩展到边缘。在边缘计算场景下，对单个设备的算力需求预计将在64~256TOPS之间，同时对时延的要求非常高，例如智慧港口要求端到端时延在10~20ms之间，而车联网场景要求端到端时延在3~100ms之间。此外，由于边缘设备通常部署在靠近数据生产或使用的场所，对散热性能的要求也相对较高。总体而言，边缘设备的未来发展将更加注重时延、功耗、成本和通用性等需求特征，如图3-2所示。

与传统方案相比，存算一体在深度学习等领域具有独特的优势，能够提供比传统设备高几十倍的算效比。此外，存内计算芯片通过架构创新，可以提供综合性能全面兼顾的芯片和板卡。预计存算一体将在边缘推理场景中得到广泛应用，为各种边缘AI业务提供服务。这种技术的应用有望在提高处理效率的同时，更好地满足边缘计算应用对时延、功耗、成本和通用性等多方面的要求。

云侧应用场景

以图像、语音、视频为主的非结构化数据正呈现高速增长趋势。根据IDC的预测，到2030年，这种趋势将推动智能算力需求增长500倍。以AI算力为核心的智算中心将成为算力基础设施的主流。然而，随着大规模AI芯片集约化建设的推进，高功耗成为一个严峻的挑战。每机架平均功耗预计将由3~5kW逐渐升至7~10kW。未来智算中心呼唤新型AI芯片，以满足云侧大算力、高带宽、低功耗等特性，如图3-3所示。

存内计算作为一种新型的AI芯片技术，通过多核协同集成大算力芯片，结合可重构设计构建通用计算架构。存内计算在智算中心的发展中扮演着重要的角色，作为下一代关键AI芯片技术，正持续演进以满足大算力、通用性、高计算精度等方面的需求。它有望为智算中心提供绿色、节能的大规模AI算力，有效缓解了传统建设方式所面临的功耗和散热问题，为未来的智能计算基础设施提供更为可持续和高效的解决方案。

总结

本文介绍了存内计算技术在推理、训练等人工智能任务中的优越性能，以及其在云、边缘和端设备上的应用场景。具体来说，存内计算在提升推理能力、加速训练过程、提高运算效率、降低系统功耗和设备成本方面取得显著成果。数字存内计算技术通过在存储阵列内部集成逻辑计算电路，如与门和加法器，使得存内计算阵列能够同时进行存储和计算操作。以静态随机存储器（SRAM）为例，文章详细解释了数字存内计算的基本原理。

在应用场景方面，存内计算在端侧、边侧和云侧都展现出广泛的潜力。在端侧，存内计算产品已经在语音、视频等AI处理能力方面取得商业成功，为各种终端设备提供高效且节能的解决方案。在边侧，存算一体在边缘推理场景中得到广泛应用，为边缘AI业务提供服务。在云侧，存内计算作为新型AI芯片技术，在智算中心的发展中发挥着关键作用，为大规模AI算力需求提供绿色、节能的解决方案。总体而言，存内计算技术为AI应用在不同场景中提供了高效、可持续和节能的计算支持。

参考文献：

本文根据中国移动研究院文献分析总结而来。

1.知存科技

2.中国移动研究院