「探境科技」釋出儲存優先架構SFA，28nm工藝條件下系統能效比可達4TOPS/W
ofollow,noindex" target="_blank">探境科技 成立於2017年初，是36氪此前曾持續跟進的一家AI晶片領域的創業公司。 與當前行業的不少AI晶片公司不同，探境科技提出了一種新的晶片架構和儲存解決方案——在有效降低晶片功耗的同時，大幅提高硬體資源利用率的適用於各種終端裝置的嵌入式AI晶片解決方案。簡單來說，就是希望同時解決AI晶片的計算與儲存問題。
在今天的IC world “芯星新銳專場論壇”上，公司也正式公佈了其晶片採用的儲存優先架構SFA。
根據探境提供的資訊，對比“類CPU架構”採用的基於匯流排的對映方法，在同等條件下， SFA架構資料訪問可降低10~100倍；28nm工藝條件下，系統能效比達到4T OPS/W，計算資源利用率超過80%，DDR頻寬佔用率降低5倍。
探境表示， SFA架構實現了將儲存、計算、排程演算法一體化，通過軟硬體協同工作，控制器在各儲存和計算節點進行最優的對映，可以通過OTF的方式動態更新排程演算法； 使用了分散式的儲存和分散式的計算，可以達到較高的內部頻寬和計算效率； 採用資料驅動的方式，可以支援未來的可計算SRAM或其他新型儲存，進一步提高計算效能。
之所以選擇這一架構，與探境科技對行業的判斷有關。 在探境看來，當前絕大多數的AI晶片，都是基於馮諾依曼架構，與最初的CPU架構並無本質差異，其解決問題的思路在於解決計算的問題，降低計算指令銜接上的控制冗餘，提高效率，以指令為中心或以計算為中心進行優化，以計算驅動儲存，通過編譯器構建虛擬機器的思想，樹立AI晶片指令集的抽象標準，對於儲存資源的使用和排程，依然或依賴於編譯器，或依賴於傳統的快取管理演算法，這相當於用較為富裕的計算資源驅動較為稀缺的儲存資源，無法解決儲存牆的問題的。
CEO魯勇分析，從更高的層面來看，在特定的工藝條件下，一定精度的計算操作下，最終的功耗都來自於MAC，所以每瓦功耗得到的算力是相對固定的，而儲存所消耗的功耗和資源超過了計算部分，因此當前大多數AI晶片的能效比差別並不大，在“儲存牆”問題解決前，如果在以計算為中心的指令抽象化的方向做文章，結果只能是讓抽象層更加遠離任務排程的實質，使得儲存問題更加的惡化；換句話說，是“類CPU架構”適用於計算複雜度高，儲存複雜度低的環境，當面對深度學習這個新形勢時，其本身的侷限性導致稀缺資源沒有得到很好的利用和處理，只有重新思考深度學習所面臨的儲存牆問題，才能得到突破的AI晶片架構。
魯勇告訴36氪，目前業界對“儲存牆”也看到了一些解決思路，有的加大儲存頻寬，採用高頻寬的外部儲存，例如HBM2，這樣不惜功耗，僅提高效能；有的採用分散式片上儲存，拋棄DDR，達到幾百MB的SRAM，成本非常可怕；有的以演算法精度、應用範疇為代價，設計低位元權重的神經網路，無法滿足通用神經網路的計算；有的在儲存單元內部的設計計算單元的新型儲存器，進行存算一體化（In Memory Computing)，商用化道路較長；因此，探境科技重新思考儲存和計算的關係，以儲存驅動計算，直接從應對“三高”特性出發設計與“類CPU架構”完全不同的計算架構，即儲存優先架構SFA。
探境規劃，未來將圍繞安防市場、工業智造、消費類市場、自動駕駛等幾個領域開拓市場，並推出相關產品。值得關注的是，此次語音晶片也被提及。
延伸閱讀：