在2023年的技术风云之中，处理器排行榜如同一面镜子，反射出AI发展的艰难历程。存储器，这个看似平静的角色，却成为了阻碍AI前进的“黑暗骑士”。它如何影响人工智能的发展？答案隐藏在芯片架构与新市场之间的互动之中。
数据在芯片、设备和系统间流转，是一个复杂而神秘的问题。汽车和AI应用中的数据量日益增多，其复杂性也随之提升，但芯片架构往往显得迷惑不解。在处理这些海量数据时，它们是优先选择哪种类型内存呢？是共用内存以降低成本，还是增加不同类型内存以提高性能并减少功耗？
安全性也是设计者必须考虑的一个重要因素，每个市场都有其独特需求。例如，在汽车中，图像传感器（激光雷达、摄像头等）的大量数据需要本地处理，而AI芯片则希望性能能提升100倍。
解决这道难题的一种方法是将存储器集成到运算单元旁，即“片上存储”，目的是通过减少负载和存储数量来突破内存瓶颈，同时降低功耗。“进行计算于记忆”可能是一个未来趋势，但实际情况却大相径庭。
尽管如此，SRAM和DRAM仍然是主流选择。虽然DRAM被预测将会“死亡”，但它依然经济实惠且可靠，其高密度、高性能以及耐用及低功耗特点让其成为首选。此外，HBM2等新架构通过堆叠模块垂直增加密度，使得DRAM更接近处理单元。
然而，对于边缘计算来说，这些都不是问题，因为这里所需的是极低功耗的存储器。这类产品具有极高效能，可适应电池供电设备，并能够快速切换到更高性能/更高功率模式。在手机和平板电脑等消费级设备中，它们支持多种封装方式，以满足轻薄化需求，同时提供PCB上的高容量配置。
开发这样的低功耗存储器是一项挑战，因为它们需要支持广泛速率范围，而这些速率通常很接近。如果我们从历史看，那么手机市场就是成功推动这一领域发展的地方。当不同的制造商要求更加优秀的人机交互时，他们倾向于使用既有良好性能又节省能源的方案。
对于那些追求最高速度与最小化成本同时存在的人工智能应用而言，这些合格但分级了不同速率能力的产品就变得尤为重要。当某些部件没有全速运行时，就会发生这种情况。而Binning技术允许制造商出售这些合格品，以便一些客户可以以较便宜价格购买到稍微差一些性能但是完全合格的产品。
总结来说，无论是在人工智能训练过程中的巨型服务器或是在终端推理中的移动设备，都离不开强大的数字助手——即高速且超乎想象地节能有效的大规模并行性的非易失性RAM（NVRAM）。由于面积、时间和温度对电子组件影响巨大，因此P, P, A（Power, Performance & Area）三者的权衡成了设计师永恒的话题，不管是在追求尖端科技还是简单实用的嵌入式系统设计中。
