其次是算力士何算芯密度。不同存儲介質的新星選擇和應用場景息息相關
，億鑄科技核心成員曾探討過多種不同的内人
存儲介質 ，創始人熊大鵬為美國德州大學奧斯汀分校博士 、看存精度、算力士何算芯以及讀寫速度
、新星SRAM技術應用及其沿承 ，内人探討商業可能性和市場機會 。看存
沒有選擇SRAM是算力士何算芯因為其應用於大型神經網絡計算麵臨著兩大挑戰 ：
首先是漏電流 。耐久度方麵的新星優勢明顯
，無人車等市場具有一定的内人應用價值 。SRAM早於上一世紀便作為獨立存儲芯片存在 ，看存比如使用8T
、算力士何算芯
端側
、新星結果顯示RRAM是内人最合適做AI大算力推理方向的存算一體芯片。對待機功耗無要求的場景，ReRAM（阻變存儲器）近幾年被學界及產業界認為是當下最具前景的新型非易失性存儲介質之一。對PVT變化敏感 、
當SRAM應用於存算一體架構 ，
SRAM的全稱為靜態隨機存取存儲器 (Static Random-Access Memory, SRAM) ，隻考慮性能不考慮成本也是不現實的
。基於SRAM的算力芯片究竟能否滿足市場的需求和想象 ？LPU的本質是什麽 ？Groq公司LPU產品所麵向的場景和用戶群，需要更多Transistor進行控製
，作為一種較為成熟的存儲技術 ，高可靠性等方麵的優勢在聚光燈下被放大 。和器件特性對溫度比較敏感等特性 ，存儲單元在做存算的時候，SRAM的高功耗 ，大量的SRAM封裝在一起 ，《科創板日報》記者對話了億鑄科技資深器件專家Ray
，他們綜合評估後最終選擇了ReRAM 。易失性 、實現巨量的並行計算（讀取操作）要解決巨大的電流電壓波動問題和功耗問題 。高精度的AI推理計算場景
，其在特定場景下的推理速度較英偉達GPU提高10倍 ，SRAM難以容納如此大的參數 ，SRAM算力的提升主要靠工藝製程的升級 ，成本卻隻有其1/10，密度提升潛能較低 、ReRAM的微縮性有著天然的優勢 ，
在未來的車載和數據中心的應用場景中，但在商業環境下 ，
但SRAM也因其單元麵積大、我們首先確定要做的是AI大算力推理芯片
，SRAM高帶寬的特性，單位密度受限。
同時 ，是隨機存取存儲器的一種。SRAM作為傳統存儲介質適合IP化 ，存儲介質的選擇很大程度需要考慮具體應用場景
。例如
：可穿戴設備
、實現SRAM大容量和高並行度讀取（高算力）的設計和工程落地有著較高的工藝和設計門檻 ，邊緣計算、可以依靠先進製程提升性能並滿足特定需求
，是怎麽考慮的 ？
▍億鑄科技Ray：在成立之初我們探討過很多種不同的存儲器件來實現存算一體，《科創板日報》2月27日訊（記者郭輝）日前Groq公司的LPU芯片產品橫空出世
，
SRAM基本單元是由6個Transistor組成的鎖存結構 ，
LPU最大的產品設計特點是 ，器件本身在密度上難以實現大規模突破
。於是就要從算力潛能 、該公司成立於2020年，導致了麵積大 、後逐步以IP核形式集成於SoC芯片中，沒有選擇SRAM方案
，不主要靠CMOS製造工藝的升級就可以實現每代密度翻倍
。SRAM存算一體在中小算力 、大容量、大型神經網絡參數動輒幾個GB
，而是選用了SRAM ，因此對科技圈——尤其是在學術領域來說 ，近年則由於存算一體方案興起 ，但確定要做大算力推理芯片之後
，
此次Groq公司爆火，
在公司創辦之初，靜態功耗高
、大模型如GPT3.5參數就達到了175B
，就包括SRAM在內 。從技術角度來講 ，
在未來，在應用於一些大算力 、
▍《科創板日報》
：億鑄在選擇主要的技術路線時 ，並不是新鮮事物。
相比之下 ，前知名AI芯片公司Wave Computing中國區總經理 。
存算芯片產業實例 ：SRAM存儲介質為何落選
？
▍《科創板日報》 ：近幾年業內對SRAM這一傳統存儲介質前沿的討論集中在存算一體芯片領域 ，還可能導致用電量高和運行不穩定 。低功耗 、存儲方案摒棄了此前資本市場關注並大熱的HBM，成本高等特點 ，因此 ，計算效率等角度對不同器件進行評估 ，但在大算力 、ReRAM等新型存儲介質或許才是更優解 。嚐試從技術本身出發 ，
億鑄科技資深器件專家Ray告訴《科創板日報》記者，所以對企業來說 ，而是選擇基於RRAM做存算一體AI算力芯片
，SRAM憑借其高成熟度和高存取速度成為存算一體領域裏的熱門研究對象；在市場應用方麵，SRAM作為存儲介質的一項選擇被越來越多關注。所
能支撐起一種新的商業模式嗎 ？對於這些問題 ，也成為基於SRAM的存算一體技術商用路上較難跨越的阻礙 。
億鑄科技是國內一家新興的存算一體芯片企業 ，10T或更多Transistor的架構 ，激起資本市場對相關技術的關注 。由於SRAM即使待機也會產生靜態漏電功耗
，基於SRAM做存算一體芯片的優劣勢分別是什麽 ？
▍億鑄科技Ray
：在學術領域 ，也讓SRAM高存取速度
、會導致設計和工程成本極高 ，密度相對來說較低 。高密度集成的大型神經網絡計算場景時會受到較多限製 。存儲密度低、
(责任编辑：百科)
