|“清华帮”组队创业，要打破芯片能效天花板，对话苹芯科技CEO( 四 )

谈及未来三年目标，杨越说，首先是实现落地，二是继续巩固苹芯在SRAM存内计算方向的领先地位，三是在新型存储器研发方面有所突破。
“我们要维护苹芯本身的技术先进性和领先性，因此不管在SRAM还是新型存储器方向，我们都在持续进行着最前沿的探索。 ”杨越说。
五、探索打开高能效计算之门的金钥匙在杨越看来，存算一体AI芯片公司直面的竞争对手不是彼此，而是那些传统的AI芯片公司。
“我觉得市场并没有进入同质化竞争的阶段。 ”他谈道， “更重要的是大家要拧成一股绳，把存内计算技术的先进性和可落地性展现出来。 ”
相较传统AI芯片，存算一体AI芯片的挑战会更加宽泛。存内计算本身是一门技术壁垒森严的设计方法学，需要多年经验积累、大量资源以及时间投入才能实现。也正因此，过去六年，存算一体AI芯片创业几乎均由技术专家主导。

▲国内在研存算一体AI芯片的企业（智东西制表）当前存算一体AI芯片创业呈多元化趋势，有模拟芯片与数字芯片之分，有NOR Flash、ReRAM、SRAM、MRAM等不同新型存储器。其目标市场也各不相同，从可穿戴设备、智能家居、视频监控到智能驾驶、云端数据中心应有尽有。
这种“各自为政”的特点，使存算一体很难出现一个统一的编程标准，大家都是针对自己的应用场景和性能目标，各建各的软件栈。无论选择小算力还是大算力应用，企业都得摸着石头过河。
考虑到现阶段的实际情况与技术发展的现实规律，苹芯团队选择先在小算力上完成全技术通路和商业通路，积累更多能力后，再将算力做大。

▲当前主流AI芯片设计对比（智东西制表）之所以选择SRAM来完成技术验证与落地，苹芯团队主要出于四点考虑：
一是SRAM在存储器历史长河中长期存在，技术相对成熟，稳定性和良率都有保障；二是它具备先进节点的兼容性，客户从65nm升级到16nm ，能保证继续使用；三是在开发接口方面比非易失性存储器更简单；四是非常短的读写延迟和无限次的in-place擦写次数。
尽管SRAM属于易失性存储器，掉电后数据就丢了，但AI实际应用很少出现按分按秒的频繁断电情形，否则这对计算体系结构的其他部分伤害很大，是一个应该主要规避的问题。
杨越认为，无论从算力还是落地容易程度来看， SRAM最先可能在端侧取得较大规模的产业化。
AI时代的终端及边缘计算需求日益旺盛。如果所有计算都传至云端处理，传输过程会造成时延；此外，很多用户不愿意将自己的隐私数据上传至云端， AI计算本地化的需求正在兴起。这对AI芯片带来新的要求——更高效率、更低功耗，而基于SRAM的存算一体方法恰恰擅长于此。
“每一个SRAM的内核能够做到多少绝对算力，我们非常清楚。 ”杨越说，芯片的算力、面积、效率等基础指标互相牵制。如果想突出高能效比及成本等优势，那么算力难免要做些平衡。
相比其他类型的存储器， SRAM存在单元面积偏大、存在静态功耗高、成本略高等问题，但杨越认为，仅从SRAM本身来考虑，是不全面的。
存内计算在系统中扮演协处理器的角色，要比的不止是存储器，而应该从整个系统层面来看性能表现和成本影响。 SRAM的这些短板，可以通过系统设计来矫正差距。
例如，端侧发生的大多事情都是主控设备不感兴趣的，利用这一特点，苹芯降低功耗的解决方案是在设备待机时将大部分SRAM存算单元关掉，只预留一个睡眠模式，在最小的模块里保持监测状态，当物体检测、语音交互等感兴趣的事件发生时，存内计算模块才会被唤醒。