ChatGPT开启算力军备赛，大模型参数呈现指数规模，引爆海量算力需求，模型计算量增长速度远超人工智能硬件算力增长速度，同时也对数据传输速度提出了更高的要求。XPU、内存、硬盘组成完整的冯诺依曼体系，以一台通用服务器为例，芯片组+存储的成本约占70%以上，芯片组、内部存储和外部存储是组成核心部件；存储是计算机的重要组成结构， “内存”实为硬盘与CPU之间的中间人，存储可按照介质分类为ROM和RAM两部分。
我们已经在《ChatGPT: 百度文心一言畅想》中证明数据、平台、算力是打造大模型生态的必备基础，且算力是训练大模型的底层动力源泉，一个优秀的算力底座在大模型(AI算法)的训练和推理具备效率优势；同时，我们在《ChatGPT打响AI算力“军备战”》中证明算力是AI技术角逐“入场券”，其中AI服务器、AI芯片等为核心产品；此外，我们还在《ChatGPT ， 英伟达DGX引爆 AI “核聚变”》中证明以英伟达为代表的科技公司正在快速补足全球AI算力需求，为大模型增添必备“燃料”。
大模型参数数量和训练数据规模快速增长
近年大模型的参数规模增长趋势
过去二十年中，算力发展速度远超存储，“存储墙”成为加速学习时代下的一代挑战，原
因是在AI时代，存储带宽制约了计算系统的有效带宽，芯片算力增长步履维艰。因此存算一体有望打破冯诺依曼架构，是AI时代下的必然选择，存算一体即数据存储与计算融合在同一个芯片的同一片区之中，极其适用于大数据量大规模并行的应用场景。存算一体优势显著，被誉为AI芯片的“全能战士”，具有高能耗、低成本、高算力等优势；存算一体按照计算方式分为数字计算和模拟计算，应用场景较为广泛，SRAM、 RRAM有望成为云端存算一体主流介质。
存算一体需求旺盛，有望推动下一阶段的人工智能发展，原因是我们认为现在存算一体主要AI的算力需求、并行计算、神经网络计算等；大模型兴起，存算一体适用于从云至端各类计算，端测方面，人工智能更在意及时响应，即“输入”即“输 出”，目前存算一体已经可以完成高精度计算；云端方面，随着大模型的横空出世，参数方面已经达到上亿级别，存算一体有望成为新一代算力因素；存算一体适用于人工智能各个场景，如穿戴设备、移动终端、智能驾驶、数据中心等。我们认为存算一体为下一代技术趋势并有望广泛应用于人工智能神经网络相关应用、感存算一体，多模态的人工智能计算、类脑计算等场景。
CPU服务器拆解
服务器的组成: 我们以一台通用服务器为例，服务器主要由主
板、内存、芯片组、磁盘、网卡、显卡、电源、主机箱等硬件 设备组成；其中芯片组、内部存储和外部存储是组成核心部件。
H3C UniServer R4900 G5服务器硬件结构拆解
GPU服务器优势显著: GPU服务器超强的计算功能可应用于海 量数据处理方面的运算，如搜索大数据推荐 、智能输入法等，相较于通用服务器，在数据量和计算量方面具有成倍的效率优势。此外，GPU可作为深度学习的训练平台，优势在于1、 GPU 服务器可直接加速计算服务，亦可直接与外界连接通信； 2、GPU服务器和云服务器搭配使用，云服务器为主，GPU服务器负责提供计算平台；3、对象存储 COS 可以为 GPU 服务器提供大数据量的云存储服务。
AI服务器芯片组价值成本凸显:
以一台通用服务器为例，主板或芯片组占比最高，大约占成本50%以上，内存(内部存储+外部存储)占比约为20%。此外，根据Wind及芯语的数据，AI服务器
相较于高性能服务器、基础服务器在芯片组(CPU+GPU)的价格往往更高，AI服务器(训练)芯片组的成本占比高达83%、AI服务器 (推理)芯片组占比为50%，远远高于通用服务器芯片组的占比。
| 编号 |
名称 |
编号 |
名称 |
| 3 |
中置GPU模块 |
12 |
内存 |
| 5、6 |
网卡 |
13 |
主板 |
| 7 |
Riser卡 |
18 |
电源模块 |
| 8 |
GPU卡 |
23 |
硬盘 |
| 9 |
存储控制卡 |
25 |
超级电容 |
| 10 |
CPU |
27 |
加密模块 |
| 12 |
内存 |
28 |
系统电池 |
H3C UniServer R4900 G5服务器硬件结构注释
存储是计算机的重要组成结构: 存储器是用来存储程序和数据的部件，对于计算机来说，有了存储器才有记忆功能，才能保证正常工作。存储器按其用途可分为主存储器和辅助存储器，主存储器又称内存储器(简称内存)，辅助存储器又称外存储器(简称外存)。
内存: 主板上的存储结构，与CPU直接沟通，并用其存储数据的部件，存放当前正在使用的（即执行中）的数据和程序，一旦断电，其中的程序和数据就会丢失；
外存: 磁性介质或光盘，像硬盘，软盘，CD等，能长期保存信息，并且不依赖于电力来保存信息。
XPU、内存、硬盘组成完整的冯诺依曼体系: “内存”实为硬盘与CPU之间的中间人，CPU如果直接从硬盘中抓数据，时间会太久。所以 “内存” 作为中间人，从硬盘里面提取数据，再让CPU直接到内存中拿数据做运算。这样会比直接去硬盘抓数据，快百万倍；CPU里面有一个存储空间Register(寄存器)，运算时，CPU会从内存中把数据载入Register, 再让Register中存的数字做运算，运算完再将结果存回内存中，因此运算速度Register > 内存 > 硬盘，速度越快，价格越高，容量越低。
存储按照易失性分类: 分别为ROM(只读存储器)是Read Only Memory的缩写，RAM(随机存取存储器)是Random Access Memory的缩写。 ROM在系统停止供电的时候仍然可以保持数据，而RAM通常都是在掉电之后就丢失数据，典型的RAM就是计算机的内存。
RAM(随机存取存储器)作为内存架构广泛应用于计算机中:是与中央处理器直接交换数据的内部存储器。可以随时读写且速度很快，通常作为操作系统或其他正在运行中的程序的临时资料存储介质。RAM可分为静态SRAM与动态DRAM,SRAM速度非常快，是目前读写最快的存储设备了，但是价格昂贵，所以只在要求很苛刻的地方使用，譬如CPU的一级缓冲，二级缓冲；DRAM保留数据的时间很短，速度也比SRAM慢，不过比任何的ROM都要快，但从价格上来说DRAM相比SRAM要便宜，因此计算机内存大部分为DRAM架构；
ROM(只读存储器)作为硬盘介质广泛使用: Flash内存的存储特性相当于硬盘，它结合了ROM和RAM的长处，不仅具备了电子可擦除可编程的性能，还不会断电丢失数据同时可以快速读取数据，近年来Flash已经全面替代传统ROM在嵌入式系统的定位，目前Flash主要有两种 NOR Flash和NAND Flash。Nand-flash存储器具有容量较大，改写速度快等优点，适用于大量数据的存储，因此被广泛应用在各种存储卡，U盘，SSD，eMMC等等大容量设备中；NOR-Flash则由于特点是芯片内执行，因此应用于众多消费电子领域。
| 比较 |
动态RAM(DRAM) |
静态RAM(SRAM) |
| 存储原理 |
电容存储电荷的方式 |
触发器的方式 |
| 集成度 |
高 |
低 |
| 芯片引脚 |
少 |
多 |
| 功耗 |
小 |
大 |
| 价格 |
低 |
高 |
| 速度 |
慢 |
块 |
| 刷新 |
有 |
无 |
NOR Flash阵列结构
NOR Flash中程序和数据可存放在同一芯片上,拥有独立的数据总线和地址总线,能够快速随机读取数据,也允许系统直接从Flash中读取代码执行,而不需要先将代码下载至RAM中再执行;可以单字节或单字编程,但不能单字节擦除,必须以块为单位或对整片执行擦除操作,在对存储器进行重新编程之前需要对块或整片进行预编程和。
NOR Flash 以并行的方式连接存储单元，具有分离的控制线、地址线和数据线、较快的读速度、能够提供片上执行的功能，但写操作和擦除操作的时间较长，且容量低、价格高。因此NOR Flash 多被用于手机、BIOS 芯片以及嵌入式系统中进行代码存储
以基于Flash单元的电压式模拟乘法器为例。模拟乘法器由两个Flash单元构成，这两个Flash管栅极(G)相连并接固定电压，漏极(D)相连接电压VDS，源极(S)的电流相减为输出电流ID。外部输入数据X经过DAC(Digital to Analog Converter，数模转换器)转换为模拟电压VDS，得到的输出电流经过ADC (Analog to Digital Converter,模数转换器)转换为数字信号输出。可以使用两个工作在线性区的Flash管实现模拟乘法。
电压式模拟乘法器结构图
在传统计算机架构中，存储与计算分离，存储单元服务于计算单元，因此会考虑两者优先级；如今由于海量数据和AI加速时代来临，不得不考虑以最佳的配合方式为数据采集、传输、处理服务，然而存储墙、带宽墙和功耗墙 成为首要挑战，虽然多核并行加速技术也能提升算力，但在后摩尔时代，存储带宽制约了计算系统的有效带宽，芯片算力增长步履维艰。
存算一体是在存储器中嵌入计算能力，以新的运算架构进行二维和三维矩阵乘法/加法运算。存内计算和存内逻辑，即存算一体技术优势在于可直接利用存储器进行数据处理或计算，从而把数据存储与计算融合在同一个芯片的同一片区之中，可以彻底消除冯诺依曼计算架构瓶颈，特别适用于深度学习神经网络这种大数据量大规模并行的应用场景。
算力发展速度远超存储器
存储墙瓶颈
近年来，存算一体随着人工智能的驱动得到较快发展: 随着半导体制造技术突破，以及AI等算力密集的应用场景的崛起，为存算一体技 术提供新的制造平台和产业驱动力。2016年，美国加州大学团队提出使用RRAM构建存算一体架构的深度学习神经网络(PRIME)。相较于传统冯诺伊曼架构的传统方案，PRIME可以实现功耗降低约20倍、速度提升约50倍；此外，2017年，英伟达、微软、三星等提出存算一体原型；同年，知存科技等国内第一批存算一体芯片企业成立；国产存算一体芯片企业开始扎堆入场，如千芯科技、智芯微、苹芯科技、后摩智能等。
存算一体按照计算方式分为数字计算和模拟计算:
模拟计算: 模拟存算一体通常使用FLASH、RRAM、PRAM等非易失性介质作为存储器件，存储密度大，并行度高，但是对环境噪声和温度非常敏感。模拟存算一体模型权重保持在存储器中，输入数据流入存储器内部基于电流或电压实现模拟乘加计算，并由外设电路对输出数据实现模数转换。由于模拟存算一体架构能够实现低功耗低位宽的整数乘加计算，因此非常适合边缘端AI场景。
数字计算: 随着AI任务的复杂性和应用范围增加，高精度的大规模AI模型不断涌现。这些模型需要在数据中心等云端AI场景完成训练和 推理，产生巨大的算力需求，相比于边缘端AI场景，云端AI场景具有更多样的任务需求，因此云端AI芯片必须兼顾能效、精度、灵活性 等方面以保证各种大规模AI推理和训练；数字存算一体主要以SRAM和RRAM作为存储器件，采用先进逻辑工艺，具有高性能高精度的优势，且具备很好的抗噪声能力和可靠性，因此较为适合在云端大算力高能效的商用场景。
存算一体应用场景极其广阔: 端侧小算力场景，算力范围约从16TOPS至100TOPS，例如智 能可穿戴设备、智能安防、移动终端、AR\VR等。大算力场景，算力序曲在1000TOPS以上，例如云计算数据中心、自动驾驶、GPT-4等大模型等。我们认为云和边缘大算力场景，是存算一体芯片的优势领域，存算一体更具备核心影响力和竞争力；知存科技是目前存内计算赛道唯一一家在智能商业化领域落地的存内计算公司。
存算一体前景广阔、渐入佳境
ChatGPT等“大模型”兴起，本质即为神经网络、深度学习等计算，因此，我们认为对算力需求旺盛；端测方面，人工智能更在意及时响应，即“输入”即“输出”，同时，随着存算一体发展，存内计算和存内逻辑，已经可以完成高精度计算；云端方面，随着大模型的横空出世，参数方面已经达到上亿级别，因此对算力的能耗方面考核更加严格，随着 SRAM和PRAM等技术进一步成熟，存算一体有望成为新一代算力因素，从而推动人工智能产业的发展。
云测与边缘测: 针对云计算和边缘计算的大算力设备，是存算一体芯片的优势领域。我们认为存算一体本身在云和边缘测具有极高的适用性，原因是其具有高算力、低功耗、高性价比等优势；尤其是针对智能驾驶、数据中心等大算力应用场景，在
可靠性、算力方面有较高要求，此外云计算市场玩家相对集中，因此我们认为存算一体在云计算市场有望先于端侧市场落地。
我们认为存算一体明确为下一代技术趋势: 目前存算一体国内 外已就位起步阶段，相应差距并不大，原因是芯片设计层面皆为创新；存算一体是计算系统和存储系统的整合设计，比模拟 IP和存储IP更复杂，依赖于多次存储器流片而积累的经验，因此我们认为在存储方面有优势和经验的企业具备先发优势；
目前行业主要分为两种路径: 分别是小算力场景，例如音频类、终端应用场景；和大算力场景，例如云计算、智能驾驶、机器 人等领域；
存算一体为人工智能发展的必然选择，存算一体具有能耗优势，其使用成本能大幅降低，可将带AI计算的中大量乘加计算的权重部分存在存储单元中从而在读取的同时进行数据输入和计算处理，从而完成卷积运算。感存算一体，多模态的人工智能计算，存算一体是类脑计算的关键技术基石。
资料来源：
【1】半导体产业纵横：https://xueqiu.com/3261990793/224984615
【2】H3C UniServer R4900 G5 技术白皮书，华西证券研究所