在2022年的手机处理器性能排行榜中，存储器的挑战如同一位幽灵般困扰着AI的发展。边缘计算的兴起要求存储器设计更加精细，选择和配置也变得更加复杂。芯片架构正在与新兴市场并进，但数据在芯片、设备以及系统之间如何流动，却总是让人摸不着头脑。在汽车和AI应用中，数据正变得越来越多样化和复杂，而芯片架构却难以明确如何优先处理这些数据。这使得芯片设计人员面临一个艰难抉择：是否要选择共用内存以降低成本，或是增加不同类型内存以提升性能并减少功耗？
安全性始终是首要考虑因素，并且不同的市场对设计有不同的要求。例如，在汽车中的各种图像传感器（如激光雷达和摄像头）产生的大量数据需要在本地进行处理。而AI芯片则希望性能能够提升100倍。
解决这些内存问题的一种方法就是将存储器集成到运算单元旁，这种“存算一体”可能是模拟的、数字的，或两者兼而有之。Cadence Digital＆Signoff Group高级首席产品经理Dave Pursley说：“虽然在内存中进行计算的想法可能是一个日益增长的趋势，但实际上这种计算发生的情况似乎大不相同。”尽管如此，SRAM和DRAM仍然是主流，因为它们具有高密度、简单架构、低延迟、高性能以及耐用性和低功耗。
随着技术的发展，新的架构如HBM2出现了，它通过堆叠模块垂直增加密度，使得DRAM更靠近处理单元。此外，由于7nm以下节点对于线路RC延迟影响较大，因此提高效能同时又需要控制功耗成为当前研究方向之一。
为了应对这一挑战，一些专家提出了“极低功耗”的概念，他们认为这将会是一项关键创新。Rambus杰出的院士Steven Woo说：“这些极低功耗存储器具有极高效能，可以在一定程度上提升电池供电设备的功耗和数据速率。”他还指出，这些新型记忆体支持多种封装方式，可以满足智能手机轻薄需求，同时也适用于PCB板上的平板电脑等其他消费类设备。
然而，即便这样，一些专家仍然认为开发这样的极低功耗记忆体是一项巨大的挑战。“当设计这样的记忆体时，它们支持的是非常广泛的地速率范围，”Woo解释道，“相比之下，这些数据速率往往非常高。”
此外，不同应用对于记忆体所需特性的要求也不尽相同。在人工智能领域，其速度和效率至关重要，而车载系统则必须考虑更多关于温度稳定性的问题，如-40°C至125°C甚至更高温下的连续工作能力，以及泄漏管理等方面。
总而言之，无论是在哪个领域，只有权衡好成本、性能与面积（PPA）的三重关系，我们才能找到最合适的人工智能时代所需的小巧、高效且节能可靠的人机交互工具——即那些完美融合了高速运算能力与微小尺寸空间利用的小型化CPU核心。
