來源：內容來自「DIGITIMES」，謝謝。

人工智能(AI)、車用芯片的復雜程度更勝以往，邊緣處理比重增加，存儲的選擇、設計、使用模式及配置難度也越來越高。

據Semiconductor Engineering報導，為了處理汽車和AI應用生的量資料，芯片架構越趨復雜，在資料于芯片、元件和系統之間動以及處理優先處理順序不明確的情況下，設計團隊只能在合并和共享存儲之間取得平衡以降低成本，或增加更多不同類型的存儲來提升效能、降低功耗。

因此出現各不同的方法，包括將小型存儲分散在芯片或封裝周圍的鄰近存儲運算(near-memory computing)，以及將資料動最小化的存儲內運算(in-memory computing)。這些方法的目的都是透過減少負載和儲存量來決存儲瓶頸，同時節省能源。

內建SRAM和DRAM存儲仍是當前市場主流。DRAM密度高、使用電容儲存結構相對簡單，又具有低延遲、高效能和接近無限次存取的耐用度，功耗也比較低。SRAM速度非?？?，但較為昂貴且密度有限。這些不同的需求會影響存儲的類型、數量以及內建或外接存儲的選擇。

功耗也是存儲的關鍵問題，不同存儲類型和配置也會影響功耗。例如在7奈米制程的存儲上動資料因導線的RC延遲，需要更高的功率，并可能生熱能，破壞訊號的完整。

存儲對AI很重要，AI又是所有新技術的要。但不只有AI芯片，還有芯片內部的AI應用，都會影響存儲的使用方式。如要實現超快的速度和最低功耗，最好的辦法就是把所有元件放在同一個芯片上，但有時會受到空間的限制。

這也說明了，為什么資料中心和訓練應用AI芯片的體比許多部署在終端設備行推論應用的其他類型芯片更。另一方法則是將部分存儲到芯片外，并透過設計提高傳輸量及縮短與存儲的距離，或是限制外接存儲的資料流。

外接存儲的競賽，基本上以DRAM-GDDR和HBM為主。從工程和制造度來看，GDDR比較像DDR和LPDDR等其他類型的DRAM，可以放在一個標準的印刷電路板上并使用類似的制程。

HBM是比較新的技術，牽涉到堆疊和矽中介層，每個HBM堆疊都有上千個連接，因此需要高密度的互連，這遠遠超過PCB的處理能力。HBM追求最高效能和最佳的電源效率，但成本更高，需要更多的工程時間和技術。GDDR的互連沒這么多，但會影響訊號的完整。

明導國際(Mentor)IP部門總監Farzad Zarrinfar表示，功率、效能和面(PPA)都很重要，但主要還是和應用有關。以攜帶型的應用為例，功率非常重要，而功率也分為動態和靜態兩部分，如果需要量運算，那么動態功率就非常重要；如果是穿戴式設計，則更重靜態／漏電功率。電動車在意電池的續航力，因此功耗也是關鍵因素。

盡管有量革命的技術和創新架構，存儲仍是所有設計的核心。如何決定現有存儲的優先順序、共享、位置以及用途，獲得最佳系統效能是件知易行難的事。

*文章內容系作者個人點，不代表半導體行業察對點贊同或支持。