芯东西（公众号：aichip001）
编辑 | GACS
9月14日~15日，2023全球AI芯片峰会（GACS 2023）在深圳南山圆满举行。在9月15日高能效AI芯片专场上，知存科技业务拓展副总裁詹慕航分享了主题为《大算力需求下存内计算的应用和发展趋势》的主题演讲。
詹慕航分享说，AI神经网络的核心就是矩阵乘法/乘加运算，越典型的大模型越需要矩阵运算，便越适合存内计算的方式。知存科技顺应AI时代的新型需求，创新使用Flash存储器完成神经网络的储存和运算，以解决存储墙问题。
詹慕航列举了WTM-2端侧存内计算AI芯片，该系列芯片有着极低功耗、极低延迟的优势特点，其已经量产商用的国际首颗存内计算芯片WTM2101，功耗仅5uA-3mA，同时兼具高算力，适用端侧智能物联网场景。接着，詹慕航预告了针对视频增强场景的WTM-8系列芯片，该芯片可以将单核算力提升80倍，效率提升10倍。
以下为詹慕航的演讲实录：
非常感谢主办方能让这么多AI芯片行业专家们齐聚一堂，我们很欣慰地看到身边有这么多战友。
大家都是在为自主可控的目标，无论是近存计算还是存内计算，或者是Chiplet、3D Bounding，无论是数字、模拟，SRAM（静态存储器）、RRAM（阻变存储器）或者是Flash（快闪存储器）。大家都是在做同样一件事情，就是将算力提升、功耗降低、面积减少、延时降低，还有将存储器的带宽提高，这也都是我们在接下来可能要共同去努力的方向。
当然不得不提，我们很感谢，知存科技作为存算一体领域里的“排头兵”得到了行业和资本的认可。我们获得很多荣誉，近期获得了国家级专精特新“小巨人”。我很乐意跟大家分享一下我们这个“排头兵”做了什么、做到什么程度，做一个抛砖引玉。
知存科技公司成立较早，于2017年成立。对于整个存内计算领域，特别是模拟Flash闪存领域，我们行动得较早。创始团队从2013年开始就着手研究，也有了一些成果。
在做芯片方面，我们选了最艰难的一个模式。2018年，知存科技首颗存算一体的芯片的实验样本流片；2020年，小批量生产存算一体加速器WTM1001；2022年，全球首颗基于模拟Flash存算一体的芯片WTM2101正式量产。截至今天，知存科技的出货已经到了kk级别。我们今年还即将投片和发布一款基于边侧的图像视频处理芯片WTM-8系列。
今天和大家分享的内容主要分三大部分。第一，AI计算和内存墙的问题，包括如何从根本上解决内存墙/功耗墙等问题；第二，知存科技存内计算芯片产品及部署；第三，存内计算的发展趋势。
一、架构革新打破“内存墙”，用28nm做出逼近7nm的算力
无论是在摩尔定律有效的阶段，还是现在逐渐失效的阶段，有一点是不变的，就是对算力本身的需求。对于除了Tranformer之外的所有AI模型，（算力需求）每两年有8倍的增量；对于AIGC、生成式AI包括Tranformer模型，（算力需求）有275倍的增量。
算力本身不是伪命题，它只是一个硬币的一面，另外一面是存储的带宽，或者叫吞吐数据的速率。这些年，行业在算力上的发展还可以，但存储的性能指标有一些滞后，有一个很大的Gap。时常我们在抓取数据、吞吐数据的时候，消耗了大量的时间和功耗，整个能效比大大地拖延。
要解决内存墙/功耗墙的问题，需要认识到先进工艺已经不能有效地解决大算力的需求了，那么我们就从架构上进行革新。
我们回顾一下高中物理的知识，基于欧姆定律：输出电压=电流×电阻，电阻倒数就是电导，Flash是浮栅晶体管，我们通过编程可以微调电导值，亚阈值可以做出很多。
大家在市面上买到的Flash是基于NOR Flash，买到后需要从底层改写Flash的浮栅晶体管和电导。做完之后，输出的电流，整体比如是一千行、一千列。它有两个大的优点：一是密度大，是1000×1000，这是100万个cell；二是并行度高，因为它是模拟计算。
存内计算是放在AD（数模转换）之前，就去做这样的运算，它的并行度非常高。比如读取一次用户数据的时候，就可以在同时进行这1000行、1000列、100万的运算。传统GPU/CPU要去抓取十几万次，我们只需要抓取一次就能做百万级的并行运算。
整个AI神经网络或者CNN矩阵运算、卷积运算，核心实际上就是矩阵乘法/乘加运算。越是大模型，越是矩阵运算，越适合存内计算的方式，因为存和算本身在一起，一次性并行完成。
从工艺来看，降低成本是行业共同的目标之一，知存科技的存内计算基于成熟工艺，通过架构的创新，能够达到两代以后先进工艺所要达到算力与能耗需求。我们在去年量产的WTM2101芯片是基于40nm制程，该芯片在算力和能效比上相当于12nm工艺的6到10倍。
有人开玩笑说，这是“非冯”和“冯”的一场battle。存内计算最核心的原理是在模拟器件上，因为它是进行本征计算，存储单元本身就是计算单元，所以我们没有独立的计算单元，也没有独立的存储单元，这样就节省了很多数据的吞吐量、搬运的能耗。
二、基于Flash的量产存算一体芯片，逐步覆盖从端到边
接下来给大家汇报一下知存科技目前的产品，以及知存科技将来的技术路线图。
经历过这么多的事情，一句话总结：我们实现了0到1的突破。轻舟已过万重山，我们现在已到了量产级别。要把一颗芯片从样片做到量产，我们有额外的工作要去做。除了之前做很多的设计，我们要去解决可靠性、一致性、良率等诸多问题。
知存科技整个团队在这几年的时间里，所有该踩雷的都踩过了。关键是知存科技作为一个“排头兵”，前面没有可以对标的产品，没有可以去借鉴的技术。
从整个规格的定义，从Flash架构到MPU核，我们存算架构的设计都是自己摸索出来。我们在前头拿着手电筒，在无人区探索出来，包括前端的设计模拟、包括数字、前端后端封测，整个团队付出很大努力。幸亏有惊无险，我们走过来了，并拥有了目前业界唯一可以基于Flash的存算一体架构量产芯片。
对于生态的建设，知存科技志存高远。我们有专事工具链的团队，不光是做一颗好的芯片，我们要推给客户的是一颗好用的芯片。在算法的移植上和客户对于芯片的使用上，我们对于工具链早早地同步进行投入。
介绍一下我们的WTM2101芯片，它用于端侧，算力小于1Tops，精度在INT8以下，参数量为1.8MB，当然我们的算力不停地会有迭代和演进。
在WTM2101芯片上，模型参数的大小已经远远超过市场的需求，其拥有的50Gops算力在很多场景跑不满，也放不满1.8MB的模型和参数。对于模拟精度的控制，我们有稀疏和致密的方法，在WTM2101上我们可以做到8-bit。WTM-8系列芯片有12-bit的精度，参数量也是从几十MB到几十G不等，取决于客户的应用场景和客户的模型大小。
给大家看一些实例，这是量产产品真正的实测数据。用算法复杂度间接地折算，来表现WTM2101的算力，可以看到在降噪以及命令词的识别场景下，相较于市场现有方案，WTM2101在AI算力上有数十倍到百倍的提升；与此同时，功耗降低数十倍到微安级别。知存科技的算法复杂度很大，1000MB左右，市场现有方案能存放的算法复杂度却很小。
WTM2101的应用产品包括智能手表等，当客户把知存科技的芯片放到手表里，发现有以下两件事情：
1）健康算法。无论你做PPG、ECG、心跳心率，还是姿态的监控，比如一个抬腕的健康类的算法，在用了我们的芯片以后24小时里的误识别率竟然达到了0。因为要去做AI Training，我们给它喂大量数据、大量时间的Training训练之后，在这个芯片真正应用的时候，它能够很精确地判断出来。
2）功耗小且Always on。由于我们的方案节省功耗，所以续航很好，如果你的手表以前需要4天充一次电，我们直接会延长续航时间2-3天。如果算力有10倍的提升，功耗又有10倍降低的时候，整个能效是2个数量级的提升，我们的方案是非常惊艳的一个产品。
WTM2101覆盖的产品目前主要有语音识别和人声增强、健康算法等方面。
具体来说，语音的识别包括人声增强。WTM2101的应用场景有对讲机、助听器、TWS耳机。另外在降噪上，我们有大量Training训练数据，包括做一些加噪的训练、做量化。我们在提取、识别噪音的时候是非线性的，所以它可以精确且快速地识别出各种人声之外的背景噪音，并有效地把它消除掉，包括回声消除。健康算法这个技术的应用场景除了手表，还包括医疗行业的产品形态。
对于端侧而言，WTM2101是一颗大算力且有效的处理器芯片。
我们的合作伙伴包括一款叫CW01的儿童手表的ODM（原始设计制造商）。合作产品还有INMO Air2眼镜，我们提供命令词识别，戴着眼镜的时候精准、快速地识别语音指令。另外还有上一周刚刚发布的魅蓝K歌耳机，大家可以搜一下这款耳机，299元，可以K歌，有耳返的功能，这是一个物有所值、非常好玩的产品。
接下来是一颗支持大算力和端侧大模型的视觉类芯片——WTM-8系列芯片，大家可以把它理解成类似于R1这颗芯片。它在端侧可以打破很多使用场景，因为它在散热上没有忧虑，对功耗的控制非常好。从视频方面来说，渲染用传统GPU做也还不错，但超过三维重构、插帧、超分都是更适合用神经网络技术。
WTM-8系列芯片的高性能成像功能类似于实现AI ISP功能，产品可以将功耗大幅地降低，对于有散热要求的情况就会非常友好。对于分辨率，产品从4K一直可以支持到8K分辨率，帧率可以支持60、90、120。对于视频显示，在帧率比如插帧方面，知存科技可以从30帧插到60、60插到90、90插到120。对于超分，比如710，我可以超到1080p、2K、4K，包括做一些AI的ME、MC等运动补偿前处理，以及后处理的去噪、宽动态HDR等。
打个比方，当你拿手机拍照，出来是很清晰的照片。但当你去录像，截屏经常比较糊。如果有我们这颗芯片加持，大家在录像的时候，它已经进行了AI插帧和AI超分，你截取的照片就会非常清晰。
我们目前在和一些行业头部客户做深度合作的预演，对于将来产品形态，特别是有关视频视觉，有更加长远的预演。
三、大模型、智能驾驶，将是存算一体芯片的新战场
未来在AI芯片或者存算会是什么样的场景？这几天谈得非常多的是大语言模型，大模型出现神经网络属性及矩阵运算的形态，我们相信，一定是非常适合存算一体或者存内计算这样底层架构的创新。相比冯·诺依曼来说，它是非常适合。我们目前的状态是在做研究。
还有一些更加智慧的产品形态。大家可能在餐馆里见到一些送餐机器人，这是比较初级的机器人；更加智能的机器人，你点了菜之后，它可能帮你进行后端的处理。以上都依赖于在高效大算力芯片的支持，这在不久的将来这都可以实现。
还有一些类似于高级驾驶辅助系统ADAS等应用，我们也在积极跟进，而且也相信这很快会成为AI芯片、存算一体芯片的一个主战场。
最后我想说，很高兴看到越来越多的战友和伙伴加入到AI芯片领域，再到我们存算一体的家庭里，我们希望把整个市场的蛋糕越做越大，大家都能够做自主可控、自力更生的事情，谢谢大家！
以上是詹慕航演讲内容的完整整理。
