舍弃冯诺依曼架构突破内存墙瓶颈的AI芯片 即将轰动市场 (冯诺依曼 死因)

近几年再次兴起的AI热潮，不仅引发了芯片巨头们的AI芯片战，更让科技巨头们纷纷开始了AI芯片的研发。在AI芯片的争夺中，算力首先成为了焦点。不过，算力提升之后，算力与内存的不匹配又成为了阻碍AI向前发展的关键。此时，一家成立于2017年的初创公司提出的存储优先架构（SFA）表示很好地解决了内存墙的问题，事实是否如此？

AI芯片的真正问题是内存墙

算力、算法、数据被认为是AI向前发展的三个关键因素，更高的算力自然必不可少，这也直接驱动了AI芯片公司们推出更高算力的AI芯片。不过，目前对于AI芯片的定义并没有一个严格和公认的标准，一个非常宽泛的看法是，面向人工智能应用的芯片都可以称为AI芯片。

需要指出，这一轮的AI热潮很大程度是机器学习尤其是深度学习受到了追捧。由于目前常见的芯片类型CPU、GPU、FPGA、ASIC都可以运行深度学习算法，因此这些芯片都可以称为AI芯片。

这就意味着，如今AI芯片重要的意义在于满足机器学习的算法的需求。但即便是经验丰富的Arm，认识到AI芯片关键的问题也走了一些弯路。Arm机器学习部门商业与市场副总裁Dennis Laudick此前接受雷锋网采访时就表示：“我们第一次看到机器学习时，首先想到的是从已有的处理器类型中的一种开始，因此我们开始用了GPU的方法，但最终发现机器学习处理器面临的不是处理问题而是数据问题，最终取消了GPU的方法，创建了一个全新的处理器专注于数据以及机器学习中的数据类型，可以执行并行指令。”

说的更直白一些，深度学习算法具有高并发、高耦合的特点，不仅有大量的数据参与到整个算法运行的过程中，这些数据之间的耦合性也非常紧密，因此对存储带宽提出了非常高的要求，大规模的数据交换，尤其是芯片与外部DDR（Double>

深度学习算法的“三高”特点

内存墙问题的4种常见解决方法

上面提到的芯片都基于传统冯·诺伊曼体系结构，这个体系结构是数据从处理单元外的存储器提取，处理完之后在写回存储器。因此，用冯诺依曼体系结构的处理器处理深度学习算法时，提供算力相对简单易行，但当运算部件达到一定的能力，存储器无法跟上运算部件消耗的数据，再增加运算部件也没有用，这无疑阻碍了AI芯片的向前发展。

为了解决内存墙问题，业界目前有4种常见的解决方法。第一种是加大存储带宽 ，采用高带宽的外部存储，如HBM2，降低对DDR的访问。这种方法虽然看似最简单直接，但问题在于缓存的调度对深度学习的有效性就是一个难点。

第二种方法是直接在芯片里放入大量存储 ，采用分布式片上存储，抛弃DDR，比如集成几十兆字节到上百兆的SRAM。这种方法看上去也比较简单直接，但成本高昂也是显著的劣势。

第三种方法则是从算法入手，通过设计一些低比特权重的神经网络，比如二值网络，简化数据和需求和管理。 显然，这种方法是以算法精度、应用范畴为代价，难以被大范围应用。

第四种方法是在存储单元内部设计计算单元的新型存储器，进行存算一体化（In Memory Computing) ，这也是目前业内一个比较受关注的方向，具备低成本和低功耗的特点。不过这种方法的可行性以及是否能最终被业界广泛应用仍是未知，因此对于这种方法我们将继续保持关注。

显然，目前常见的解决AI芯片内存墙的方法都还未成功解决这一问题，其中很重要的原因在于， 绝大部分的AI芯片，可以认为其为基于类CPU架构，专注于计算整合，通过提升并行度的方法进行庞大计算力的结构调整，对存储资源的使用和调度，依然依赖于编译器或传统的缓存管理算法，无法解决内存墙问题。

SFA架构如何突破内存墙瓶颈？

想要真正解决内存墙问题，舍弃冯诺依曼架构无疑是更好的方式，但难度也可想而知。不过，成立于2017年的北京探境科技在成立之初就重新思考了存储和计算的关系，以存储驱动计算，设计了与类CPU架构完全不同的计算架构——存储构SFA（Storage First Architecture）。

2017年业界对AI芯片的关注点更多是算力的提升，意识到要解决内存墙问题的公司还不多，为什么探境科技能更早看到内存对AI芯片的重要性并研发出存储优先架构？探境科技CEO鲁勇接受雷锋网专访时表示：“主要有两方面的原因，一方面是我们的芯片设计团队成员平均拥有15年以上芯片行业设计经验，有足够的芯片设计能力，同时，团队成员还有深挖问题核心本质的思路和能力。所以从能力上和做事的方法上都有这样的条件，我们就坚定的去解决难题。”

不同于常见的解决内存瓶颈的方法，SFA是以存储调度为核心的计算架构，数据在存储之间的搬移过程之中就完成了计算，计算对于数据来说只是一种演变。

“更具体的说，SFA架构，存储是我们优先的出发点，去考虑数据在搬移过程中做计算，也就是由数据带动计算而非由算子带动数据。与通常计算的先有计算指令然后提供数据相反，SFA架构是先有数据，然后再把算子交给它。”鲁勇进一步解释。

当然，完全舍弃冯诺依曼架构，实现全新的架构方式SFA架构面临不少挑战。鲁勇表示这其中涉及很多硬件的核心点、数据管理、算子节点如何灵活的连接起来都是非常难的问题。不过，他也透露称，SFA架构以图计算为基础，设计了非常精巧且有针对性的架构解决这些难题。这一点与AI大神Lecun所宣称的所有的神经网络都是图计算问题不谋而合。

难题突破之后， SFA架构具备了哪些优势？鲁勇介绍，首先就是芯片的PPA取得了巨大的突破 ，实验数据表明，比较类CPU架构采用的基于总线和指令集的映射方法，在同等条件下，数据访问可降低10~100倍。28nm工艺条件下，系统能效比达到4T OPS/W，计算资源利用率超过80%，DDR带宽占用率降低5倍。

其次，SFA架构可以支持任意神经网络。 也就是说，SFA架构可以支持不同大小的网络模型、不同的数据类型，包括定点型和浮点型，甚至一个神经网络里不同层使用不同的精度也可以支持。我们的AI芯片可以称得上通用型AI芯片，只要在神经网络深度学习框架下，GPU能支持的我们都能支持。

还有，SFA架构非常灵活， 基于它既可以推出本地或云端的推理芯片，也可以用于云端训练的芯片，终端的推理加训练芯片也能用，完全取决于最终产品的定位。

除了内存方面的突破，在算力提升方面SFA架构也有相应的优化。SFA架构的AI芯片不仅可以满足多精度计算，还能做到自适应的稀疏化处理，不需要在离线阶段做剪枝或者压缩处理。

据悉，探境的计算架构也采用了比较独特的无MAC设计方式。

既然SFA架构具有多个优势，那么在探境科技看好的安防监控、工业制造、自动驾驶和语音人机交互市场，落地优势依旧明显吗？鲁勇指出，这几个领域看上去好像差别挺大，但对我们而言背后有一个贯穿一致的逻辑。 也就是核心都是SFA架构，根据不同的市场应用，套上不同的框架，最终变成不同的产品形态。

他强调，不同市场的差别并没有想象那么大。 算法层面，现在的语音和图像算法已经开始融合，都是基于深度学习的卷积神经网络（CNN），并不是原来想的那么泾渭分明。芯片角度，核心都是SFA架构，根据产品的定义不同，外面的接口也相对不同，这并不困难。

去年5月探境宣布完成数千万美元融资时，就已经制订了三年的产品规划，会以行业划分的形式，有节奏的推出产品及整体解决方案。雷锋网了解到，目前探境已经推出了包括语音唤醒、命令词识别、语音理解、通用型降噪的ai语音芯片。值得一提的是，这几款芯片都可以在不联网的情况下实现功能，这是算力和功耗优势的一个体现。

至于为何率先推出AI语音芯片，鲁勇认为物联网时代，语音成为了一种新的交互方式，也是一个入门的交互方式，这个入口非常重要。

看好AI语音市场的不止探境科技，传统的芯片公司杭州国芯、瑞芯微等，以及擅长语音算法的思必驰、出门问问等都推出了AI语音芯片。那么，探境在市场上的竞争力如何？

鲁勇表示，算法公司对芯片的理解程度非常有限， 我认为AI时代的竞争力已经单纯看PPA转移到了软硬结合的能力，只有非常深度的软硬结合才能具备非常核心的竞争力。 在实际的落地过程中，SFA架构对客户非常友好。因为SFA架构不仅不需我们在工具链上不用投入过多的精力，在客户实际使用的时，我们会提供一个非常好用的工具链，通过工具链的转换，可以让客户的算法甚至不用重新训练就可以部署。

而最让鲁勇感到骄傲的是探境AI语音芯片最终体现出的竞争力。他表示，AI芯片的竞争力的直接体现就是成本，探境的AI语音芯片的成本优势还是基于SFA架构，在同样的芯片面积下能提供更高的算力，也就是PPA显著提升。在与客户接触之后，我们的芯片获得了客户的追捧。

探境科技作为一家成立于2017年的初创公司，能够在成立之初就看到AI芯片本质的问题是数据难题就领先了不少的AI芯片公司。并且，从探境公布的数据以及给出的信息来看SFA架构确实是突破内存墙的好方法，实现了许多AI芯片公司希望达成的AI通用芯片的愿望，兼具低功耗、低成本的特点。

只是，鲁勇并未透露探境量产的AI芯片具体的合作伙伴。另外，探境AI芯片的商用也处于相对早期的阶段，能否最终大获成功搅动AI芯片市场我们需要保持关注。相信具有真正独特技术和有实际产品的公司会大概率取得成功。

不可否认的是，鲁勇此前在芯片巨头Marvell十年的工作经历对于其能够把握AI的发展趋势以及聚集人才研发出独特的AI芯片有不小的帮助。还需强调的是，在AI时代，只有软硬更好的结合，才能最终体现出更大的竞争力。

为什么存储器会成为阻碍AI发展的难题？

资本寒冬，这样的AI芯片公司2019年危矣

原创文章，未经授权禁止转载。详情见 转载须知 。

上一篇：小米把松果电子分拆重组了为全力发展AIOT小

下一篇：芯片行业30年资深人士AI为何是高性能计算史