“計算存儲一體化”一詞在近兩三年被頻頻提起，“計算存儲一體化突破AI算力瓶頸”更成為了今年阿裡達摩院發布的“2020十大科技趨勢”之一。計算、存儲作為計算機的兩項功能，到底為何近段時間被捆綁亮(liàng)相并常常引發熱議？

· 其實，人工智能面臨計算與存儲瓶頸。

正如(rú)趨勢中(zhōng)提及的，“AI”的快速發展是促使這一熱議話題形成的導火索，但這背後的根因，還要追溯到20世紀提出的馮·諾伊曼計算機架構……

基于經典的馮·諾伊曼計算機架構，計算與存儲是兩個(gè)完全區分的單元，分别由中(zhōng)央處理器(qì)(CPU)和(hé)存儲器(qì)完成。因此在運算時，數據從存儲單元讀取到計算單元，運算後，再将結果寫回存儲單元。但是，“當運算能力達到一定程度，由于訪問(wèn)存儲器(qì)的速度無法跟上運算部件消耗數據的速度，即使再增加運算部件也無法充分利用，從而形成所謂的馮·諾伊曼‘瓶頸’，或‘内存牆’問(wèn)題。”

而仿照人腦的仿生系統被認為是最有可(kě)能颠覆現有技術(shù)的終極發展方向。因為人的大腦，正是一個(gè)典型的存儲計算系統，網上有消息稱，“最先進的自然語言處理模型XLNet有約4億模型參數，每次訓練需要數百個(gè)深度學習加速器(qì)運算三天。而據估算人腦中(zhōng)細胞間互聯軸突個(gè)數更是高達百萬億到千萬億數量級。”可(kě)見，人工智能和(hé)人腦之間還是有着巨大的差距。

 而如(rú)今正處在大數據驅動(dòng)的人工智能時代，AI運算中(zhōng)數據搬運更加頻繁，“内存牆”這一矛盾更加凸顯。AI要真正做到像人類一樣聰明，需要先突破算力瓶頸。

· “近存儲計算”、“計算存儲一體化”……瓶頸正在被逐步突破。

為此，研究者投入了大量的精力來縮減差距，提升計算和(hé)存儲能力，“近存儲計算”、“計算存儲一體化”的提出，正是每個(gè)階段研究不斷突破的見證。

近存儲計算，簡單來講，就是将數據靠近計算單元，從而減少(shǎo)數據移動(dòng)的延遲和(hé)功耗，多級存儲架構和(hé)高密度片上存儲是其主要實現方式。而在趨勢預測中(zhōng)，未來将參照腦神經結構的“計算存儲一體化”，是把數據存儲單元和(hé)計算單元融合為一體，也就是将計算移到存儲中(zhōng)，計算單元和(hé)存儲單元集成在同一個(gè)芯片，數據不需要單獨的運算部件來完成計算，在存儲單元内即可(kě)完成運算，讓存儲單元具有計算能力。這樣一來，可(kě)以顯著減少(shǎo)其間的數據搬運，提高計算效率，助力突破AI算力瓶頸，成為下(xià)一代AI系統的“入場券”。

目前，已經有很多廠商(shāng)和(hé)研究機構開始進入計算存儲一體化領域，紛紛推出實驗型架構。從目前的實現方式看，計算存儲一體化分成了兩個(gè)路(lù)線：基于成熟的易失性存儲和(hé)不成熟的非易失性存儲。

前者需要融合處理器(qì)和(hé)存儲器(qì)，但現階段處理器(qì)與存儲器(qì)的制造工藝不同，如(rú)果要在處理器(qì)上實現存儲器(qì)的功能，可(kě)能會降低存儲器(qì)的存儲密度；反之，在存儲器(qì)上實現處理器(qì)的功能，則可(kě)能會影響處理器(qì)的運行速度，這個(gè)矛盾暫時無法得到很好的解決。後者基于不成熟的非易失性存儲，有專家認為其具備對存儲和(hé)計算的天然融合特定，是構建計算存儲一體化的最佳器(qì)件，但是目前工藝均未成熟。

總體來看，提升存儲和(hé)計算能力，一直是重要的建設方向。未來，計算存儲趨于“合”之大勢，不過真正實現、甚至廣泛商(shāng)用，仍需一段時日。且拭目以待！