计算方式的演进，在很大程度上得益于新型内存架构的突破。
人工智能（AI）的迅猛发展，已在无形中重塑了我们的生活方式——从驾驶方式到决策过程，再到购物习惯。海量且持续增长的大数据，使AI对算力的需求呈指数级攀升。举例来说，最新的生成式AI模型，其训练所需的计算能力相较上一代提升了10至100倍。这意味着，总体算力需求大约每半年就会翻一番。
面对如此旺盛的需求，计算架构的转型已成为必然趋势。而推动这一转型的核心动力之一，正是新型内存架构的涌现。先进的图形处理单元（GPU）架构，为设计人员开辟了全新的可能性。如今，关键问题不再是“是否采用新内存”，而是“根据具体任务，选择最合适的内存架构，并为其部署匹配的内存方案”。
可以确定的是，市场上已经涌现出一批更高效的新兴存储技术，能够满足特定任务的需求。例如：内存计算SRAM（CIM）、STT-MRAM、SOT-MRAM、ReRAM、CB-RAM以及PCM。每种技术各有独特优势，但综合来看，它们能够显著提升计算性能，同时提高能效并降低成本。这些正是开发经济且可持续的AI SoC时必须考虑的核心要素。
设计人员在进行架构选择时，需要权衡诸多因素。优先级取决于具体应用场景：吞吐量、模块化与可扩展性、热管理、速度、可靠性、与CMOS工艺的兼容性、电力传输、成本，以及模拟神经元行为的需求。没有放之四海而皆准的方案，只有最合适的权衡取舍。
接下来，我们将逐一审视当前设计师可用的几种新兴存储技术，了解它们各自的特点。
SRAM 与 ReRAM：内存计算中的两个极端选择
静态随机存取存储器（SRAM）是随机存取存储器的一种类型。“静态”意味着只要保持通电，数据就能稳定保存。相比之下，动态随机存取存储器（DRAM）需要定期刷新充电，否则数据会丢失。但SRAM也有明显短板：断电后数据消失（属于易失性存储器），不像ROM或闪存那样能永久保存。
SRAM不需要刷新电路即可维持数据，而DRAM每隔一段时间必须充电一次。因此，SRAM在性能上更胜一筹，但代价是集成度较低、功耗较大。同等面积的硅片，DRAM可以实现更大容量，而SRAM则显得更昂贵、体积更大。
ReRAM（电阻式RAM）则试图将DRAM的读写速度与SSD的非易失性合二为一。换句话说，关闭电源后，数据依然保留。如果ReRAM容量足够大，配备它的PC甚至无需加载时间。
对于高效的内存计算芯片，设计人员必须在SRAM和ReRAM之间做出抉择——两者在功耗和可扩展性上几乎处于对立面。SRAM适合小容量存储块和高速需求，但面积大、功耗高。如果项目对内存容量要求更高，ReRAM的密度优势便凸显出来，而且还能提供模拟行为（如果需要）。需要明确的是，大多数（甚至可以说全部）新兴存储器都可用于内存计算，但就性能而言，SRAM是最佳选择；而在密度和能效方面，ReRAM则是王者。
MRAM：低功耗领域的革命性技术
MRAM（磁性随机存储器）是一种非易失性存储器，它兼具SRAM的高速读写和DRAM的高集成度，并且几乎可以无限次写入。
MRAM家族中的STT-MRAM和SOT-MRAM，与CMOS工艺完全兼容，属于超低功耗的非易失性选项。传统上MRAM速度慢、难以扩展，但STT-MRAM通过可变电流引发“自旋轨道扭矩”，彻底改变了游戏规则。它提供低至1纳秒的快速写入时间，在物联网应用中已得到广泛使用。SOT-MRAM则是一种变体，能在相同功能下实现更快的读写速度——当然，这以牺牲面积为代价。
它们的共同特点包括：低泄漏电流、可扩展性好、高保留时间、高耐用性，以及易于与CMOS集成。可以说，MRAM正在成为低功耗场景下的革命性力量。
PCM、ReRAM、CB-RAM：经济高效的存储与连接方案
相变存储器（PCM）利用相变材料在固相与液相之间转换来存储数据。相比传统硬盘，PCM速度更快、功耗更低、体积更小，是非易失性存储领域的重要成员。
导电桥接随机存取内存（CBRAM）则是一种低功耗、与CMOS兼容的内存，可在各类嵌入式市场和独立存储市场中实现定制化应用。
这些存储器类型都属于相变存储器的范畴。它们都是非易失性的，具有两种不同的电阻状态（低阻和高阻），具体取决于两个电极之间施加的电流方向。像PCM、ReRAM和CB-RAM这类非易失性存储器，非常适合存储视频、音频、图像等模拟数据，而无需昂贵的数模转换器。另一个好处是，它们能增强神经网络的突触连接性，对训练神经网络尤其有利。所有这些技术都能轻松与CMOS和3D堆叠集成。其中，ReRAM交叉阵列最适合内存计算，而CB-RAM则特别适合实现内存计算和神经网络。
没有哪种内存类型是AI芯片的万能灵药。每种技术都在占用面积、容量、保留时间、成本、堆叠能力、耐用性等方面各有优势。每个内存挑战都有多种解决路径，可能不止一种替代方案能满足同一目标。设计人员需要权衡每种方案的利弊，包括对架构决策的可扩展性影响。
神经形态计算与传统SRAM
神经形态计算从人脑的结构和动力学中汲取灵感，旨在打造节能的信息处理硬件，使其能够执行高度复杂的任务。
它涉及神经网络的产生与使用，目标是把内存和处理能力整合到同一芯片上。在人脑中，神经突触能让神经元直接访问记忆——这正是神经形态计算想要模仿的。
几十年来，电气工程师一直对生物物理学、神经计算以及人工神经网络的混合信号电路开发充满热情。挑战在于跨越从电子器件到算法的广阔学科。神经形态系统的实际应用将深入我们的日常生活——光是这一点，就足以让人投入巨大努力。
AI需要新的硬件，而不仅仅是新的算法。我们正处在一个转折点：摩尔定律接近尾声，传统计算机性能增长停滞。与此同时，我们每天生成的数据越来越多，它们需要存储和分类。
上面讨论的那些新兴非易失性存储器，正是神经形态计算的基础，也适用于非冯·诺依曼架构。尽管SRAM属于经典存储器，但它依然不可或缺——凭借无与伦比的延迟，SRAM依然是神经形态计算中AI和机器学习架构的支柱。多端口内存还能实现并行性，适配CIM和近内存计算。
神经形态计算通过依赖比当前架构更高效的新架构和新内存技术，正在推动AI向前发展，也刺激着对更多计算能力的需求。尤其值得强调的是，内存计算和近内存计算对于这个新AI时代至关重要——同时，内存产量、测试、可靠性和实施方面的专业知识同样关键。毫不夸张地说，整个生态系统都依赖于紧凑、非易失性、节能的存储器。设计人员完全有必要、也有能力利用这些存储器来解析海量数据和分布式内存，为我们的“智能一切”未来提供动力。