来源：内容来自「DIGITIMES」，谢谢。

人工智能(AI)、车用芯片的复杂程度更胜以往，边缘处理比重增加，存储的选择、设计、使用模式及配置难度也越来越高。

据Semiconductor Engineering报导，为了处理汽车和AI应用生的量资料，芯片架构越趋复杂，在资料于芯片、元件和系统之间动以及处理优先处理顺序不明确的情况下，设计团队只能在合并和共享存储之间取得平衡以降低成本，或增加更多不同类型的存储来提升效能、降低功耗。

因此出现各不同的方法，包括将小型存储分散在芯片或封装周围的邻近存储运算(near-memory computing)，以及将资料动最小化的存储内运算(in-memory computing)。这些方法的目的都是透过减少负载和储存量来决存储瓶颈，同时节省能源。

内建SRAM和DRAM存储仍是当前市场主流。DRAM密度高、使用电容储存结构相对简单，又具有低延迟、高效能和接近无限次存取的耐用度，功耗也比较低。SRAM速度非常快，但较为昂贵且密度有限。这些不同的需求会影响存储的类型、数量以及内建或外接存储的选择。

功耗也是存储的关键问题，不同存储类型和配置也会影响功耗。例如在7奈米制程的存储上动资料因导线的RC延迟，需要更高的功率，并可能生热能，破坏讯号的完整。

存储对AI很重要，AI又是所有新技术的要。但不只有AI芯片，还有芯片内部的AI应用，都会影响存储的使用方式。如要实现超快的速度和最低功耗，最好的办法就是把所有元件放在同一个芯片上，但有时会受到空间的限制。

这也说明了，为什么资料中心和训练应用AI芯片的体比许多部署在终端设备行推论应用的其他类型芯片更。另一方法则是将部分存储到芯片外，并透过设计提高传输量及缩短与存储的距离，或是限制外接存储的资料流。

外接存储的竞赛，基本上以DRAM-GDDR和HBM为主。从工程和制造度来看，GDDR比较像DDR和LPDDR等其他类型的DRAM，可以放在一个标准的印刷电路板上并使用类似的制程。

HBM是比较新的技术，牵涉到堆叠和矽中介层，每个HBM堆叠都有上千个连接，因此需要高密度的互连，这远远超过PCB的处理能力。HBM追求最高效能和最佳的电源效率，但成本更高，需要更多的工程时间和技术。GDDR的互连没这么多，但会影响讯号的完整。

明导国际(Mentor)IP部门总监Farzad Zarrinfar表示，功率、效能和面(PPA)都很重要，但主要还是和应用有关。以携带型的应用为例，功率非常重要，而功率也分为动态和静态两部分，如果需要量运算，那么动态功率就非常重要；如果是穿戴式设计，则更重静态／漏电功率。电动车在意电池的续航力，因此功耗也是关键因素。

尽管有量革命的技术和创新架构，存储仍是所有设计的核心。如何决定现有存储的优先顺序、共享、位置以及用途，获得最佳系统效能是件知易行难的事。

*文章内容系作者个人点，不代表半导体行业察对点赞同或支持。