人工智能技术凭借其核心能力——使计算机自主开展学习——得以执行特定的任务，例如图像识别与自然语言处理。这一技术思路的根源，其实是从人类大脑的工作原理中汲取灵感。

然而，一个现实的问题摆在我们面前：人类大脑在长达300万年的进化过程中不断优化，而人工神经网络——可视为人工智能的“大脑”——仅发展了几十年。它自然无法与我们的灰质相媲美，更不用说承担那些被默认仅有人类智能才能完成的任务。因此，在追逐那些能够造福社会的人工智能系统时——无论是图像分类、语音识别，还是自动驾驶——我们必须探索新的路径，以加速人工智能的演进。

解决这一问题的关键在于确定最适合特定人工智能功能的内存类型，以及如何将这些内存方案高效整合。从这个角度审视，人工智能面临两大内存瓶颈：密度与功率效率。人工智能对电力的需求极高，导致其难以从数据中心的大本营中脱身，尤其是在那些AI应用潜力最大、价值最高的云边缘地带。

为了让人工智能切实落地到边缘场景，行业已开始转向特定领域的架构设计，致力于开发更节能的硬件。然而，若要实现最显著的改进，真正的战场在于内存技术本身。

将人工智能推向边缘

过去50年间，公共与私人利益的共同推动催生了人工智能，并引发了近年深度学习的爆发。深度学习模型凭借其超强的感知能力，成为最广泛应用的人工智能形式之一。一个典型的深度学习模型需要先在海量数据集上训练——这通常是在数据中心的GPU服务器上完成的，调参过程漫长且昂贵。训练完成后，模型才能部署到实际场景中，根据传感器、摄像头等输入数据进行推理。

问题在于，训练这些模型需要海量内存容纳其无数参数，往往依赖片外内存。训练期间的大部分能源开销，都浪费在片外DRAM与片上SRAM之间低效的数据搬运上——这种方法通常占总能耗的50%以上。模型训练完毕后，还得将训练好的网络参数迁移到其他环境执行推理任务。

直到最近，AI应用仍被视为数据中心的专属，因为其高能耗与高体积限制了移动性。但近几年来，对大规模、低延迟、低成本AI模型的需求持续增长，不断将这些应用推向边缘——即物联网与移动设备，这些地方对功耗与性能要求极为苛刻。

正是这种需求推动了边缘推理硬件生态的快速扩张，甚至已有人尝试支持分布式训练（例如谷歌的联邦学习模型）。这些新架构目前主要由语音识别与图像分类这两类应用驱动。

一边是不断增长的需求，一边是深度学习模型日益复杂的结构，这种局面显然不可持续。公司在能耗、延迟与体积方面的要求，与当前内存技术所能实现的目标之间的差距正越拉越大。更棘手的是，随着摩尔定律的终结与登纳德缩放定律成为历史，半导体行业必须向新的内存技术多元化演进，以应对这一范式转变，真正满足市场对廉价、高效AI硬件的需求。

新记忆的机会

人工智能领域为新内存技术提供了丰富的成长空间。那些具备独特优势并能持续改进的创新内存，在数据中心与边缘侧都蕴含着巨大机遇。新的内存技术通过提升密度、优化数据访问模式，能够满足人工智能的需求，使边缘设备有能力在本地执行深度学习任务，从而大幅减少与云端之间的数据传输。以高精度、高能效在本地完成感知任务，是人工智能未来能否进一步发展的关键。

正是这种认识推动了行业对替代性内存技术的大规模投资，包括NAND闪存、3D XPoint（英特尔的Optane）、相变内存（PCM）、电阻式内存（ReRAM）和磁阻式内存（MRAM）等。它们的优势十分明显：能效高、耐久、非易失。在推动边缘AI落地的同时，这类内存还能帮助云环境更高效地执行深度学习模型的训练与推理。其他优势还包括提升可靠性与处理速度。这些内存技术的改进，有望彻底突破边缘设备当前的硬件瓶颈。

特别地，某些新型内存在天然特性上为多种AI应用赋予了独特优势。例如ReRAM与PCM凭借超快速度（与闪存相比）、高密度及非易失性，在推理场景中大放异彩。MRAM除了提供与ReRAM、PCM类似的优势外，还展现出极高的耐用性，能与SRAM一争高下、形成互补，也可作为闪存的替代品。尽管这些新内存技术尚处于生命周期的早期阶段，但它们在人工智能领域已展现出惊人潜力。

虽然我们距离科幻电影中全能的人工智能还有数十年之遥，但我们已经站在一场重大突破的临界点上。这场突破将深刻影响生活的方方面面，并催生全新的高效商业模式。正如Rockwell Anyoha在哈佛大学关于人工智能的特刊博客中所写：“20世纪上半叶，科幻小说让世界对人工智能机器人的概念产生了兴趣。它从《绿野仙踪》中那个‘无情的’铁皮人开始，一直到《大都会》中那个模仿玛丽亚的人形机器人。”

下一场关键战役将在内存领域展开。因此，大量的时间、资金与智力资源已被投入到解决人工智能的内存问题中。归根结底，尽管这些计算机的“大脑”远不及人类大脑——尤其在能效方面——但恰恰是我们自身大脑的独特性，才使我们能够为众多幻想找到解决方案，并真正将人工智能推向前进。