IT之家 12 月 3 日消息 ， 据阿里云官方发布 ， 阿里达摩院成功研发存算一体芯片 。 这是全球首款基于 DRAM 的 3D 键合堆叠存算一体芯片 。 它可突破冯?诺依曼架构的性能瓶颈 ， 满足人工智能等场景对高带宽、高容量内存和极致算力的需求 。 在特定 AI 场景中 ， 该芯片性能提升 10 倍以上 ， 效能比提升高达 300 倍 。

文章图片

为什么要研发存算一体芯片？
随着人工智能应用场景的爆发 ， 现有的计算机系统架构的短板逐渐显露 ， 例如功耗墙、性能墙、内存墙等问题 。
其主要症结在于：
一是数据搬运带来了巨大的能量消耗 。 在传统架构下 ， 数据从内存单元传输到计算单元需要的功耗是计算本身的约 200 倍 ， 因此真正用于计算的能耗和时间占比很低 。
二是内存的发展远远滞后于处理器的发展 。 目前 ， 处理器的算力以每两年 3.1 倍的速度增长 ， 而内存的性能每两年只有 1.4 倍的提升 。 后者的性能极大地影响了数据传输的速度 ， 这也被认为是传统计算机的阿克琉斯之踵 。

文章图片

存算一体芯片是目前解决以上问题的最佳途径 —— 它类似于人脑 ， 将数据存储单元和计算单元融合为一体 ， 大幅减少数据搬运 ， 从而极大提高计算并行度和能效 。
这一技术早在 90 年代就被提出 ， 但受限于技术的复杂度、高昂的设计成本以及应用场景的匮乏 ， 过去几十年业界对存算一体芯片的研究进展缓慢 。 如今 ， 达摩院希望通过自研创新技术解决算力瓶颈这一业界难题 。
此外 ， 存算一体芯片在终端、边缘端以及云端都有广阔的应用前景 。 例如 VR/AR、无人驾驶、天文数据计算、遥感影像数据分析等场景中 ， 存算一体芯片都可以发挥高带宽、低功耗的优势 。
从长远来看 ， 存算一体技术还将成为类脑计算的关键技术 。
实现存算一体的三种路线
实现存算一体有三种技术路线：

• 近存储计算（Processing Near Memory）：计算操作由位于存储芯片外部的独立计算芯片完成 。
• 内存储计算（Processing In Memory）：计算操作由位于存储芯片内部的独立计算单元完成 ， 存储单元和计算单元相互独立存在 。
• 内存执行计算（Processing With Memory）：存储芯片内部的存储单元完成计算操作 ， 存储单元和计算单元完全融合 ， 没有一个独立的计算单元 。

其中 ， 近存计算通过将计算资源和存储资源距离拉近 ， 实现对能效和性能的大幅度提升 ， 被认为是现阶段解决内存墙问题的最佳途径 。 达摩院本次也是沿着这一方向进行突破 。
混合键合 3D 堆叠技术
为了拉近计算资源和存储资源的距离 ， 达摩院计算技术实验室创新性采用混合键合 (Hybrid Bonding) 的 3D 堆叠技术进行芯片封装 —— 将计算芯片和存储芯片 face-to-face 地用特定金属材质和工艺进行互联 。
比起业内常见的封装方案 HBM ， 混合键合 3D 堆叠技术拥有高带宽、低成本等特点 ， 被认为是低功耗近存计算的完美载体之一 。

文章图片

此外 ， 内存单元采用异质集成嵌入式 DRAM， 拥有超大内存容量和超大带宽优势 。
IT之家获悉 ， 在计算芯片方面 ， 达摩院研发设计了流式的定制化加速器架构 ， 对推荐系统进行“端到端”加速 ， 包括匹配、粗排序、神经网络计算、细排序等任务 。