「探境科技」发布存储优先架构SFA，未来或推智能语音交互芯片

探境科技成立于2017年初，是36氪此前曾持续跟进的一家AI芯片领域的创业公司。与当前行业的不少AI芯片公司不同，探境科技提出了一种新的芯片架构和存储解决方案——在有效降低芯片功耗的同时，大幅提高硬件资源利用率的适用于各种终端设备的嵌入式AI芯片解决方案。简单来说，就是希望同时解决AI芯片的计算与存储问题。

在今天的IC world “芯星新锐专场论坛”上，公司也正式公布了其芯片采用的存储优先架构SFA。

根据探境提供的信息，对比“类CPU架构”采用的基于总线的映射方法，在同等条件下， SFA架构数据访问可降低10~100倍；28nm工艺条件下，系统能效比达到4T OPS/W，计算资源利用率超过80%，DDR带宽占用率降低5倍。

探境表示，SFA架构实现了将存储、计算、调度算法一体化，通过软硬件协同工作，控制器在各存储和计算节点进行最优的映射，可以通过OTF的方式动态更新调度算法；使用了分布式的存储和分布式的计算，可以达到较高的内部带宽和计算效率；采用数据驱动的方式，可以支持未来的可计算SRAM或其他新型存储，进一步提高计算效能。

之所以选择这一架构，与探境科技对行业的判断有关。在探境看来，当前绝大多数的AI芯片，都是基于冯诺依曼架构，与最初的CPU架构并无本质差异，其解决问题的思路在于解决计算的问题，降低计算指令衔接上的控制冗余，提高效率，以指令为中心或以计算为中心进行优化，以计算驱动存储，通过编译器构建虚拟机的思想，树立AI芯片指令集的抽象标准，对于存储资源的使用和调度，依然或依赖于编译器，或依赖于传统的缓存管理算法，这相当于用较为富裕的计算资源驱动较为稀缺的存储资源，无法解决存储墙的问题的。

CEO鲁勇分析，从更高的层面来看，在特定的工艺条件下，一定精度的计算操作下，最终的功耗都来自于MAC，所以每瓦功耗得到的算力是相对固定的，而存储所消耗的功耗和资源超过了计算部分，因此当前大多数AI芯片的能效比差别并不大，在“存储墙”问题解决前，如果在以计算为中心的指令抽象化的方向做文章，结果只能是让抽象层更加远离任务调度的实质，使得存储问题更加的恶化；换句话说，是“类CPU架构”适用于计算复杂度高，存储复杂度低的环境，当面对深度学习这个新形势时，其本身的局限性导致稀缺资源没有得到很好的利用和处理，只有重新思考深度学习所面临的存储墙问题，才能得到突破的AI芯片架构。

鲁勇告诉36氪，目前业界对“存储墙”也看到了一些解决思路，有的加大存储带宽，采用高带宽的外部存储，例如HBM2，这样不惜功耗，仅提高性能；有的采用分布式片上存储，抛弃DDR，达到几百MB的SRAM，成本非常可怕；有的以算法精度、应用范畴为代价，设计低比特权重的神经网络，无法满足通用神经网络的计算；有的在存储单元内部的设计计算单元的新型存储器，进行存算一体化（In Memory Computing)，商用化道路较长；因此，探境科技重新思考存储和计算的关系，以存储驱动计算，直接从应对“三高”特性出发设计与“类CPU架构”完全不同的计算架构，即存储优先架构SFA。

探境规划，未来将围绕安防市场、工业智造、消费类市场、自动驾驶等几个领域开拓市场，并推出相关产品。值得关注的是，此次语音芯片也被提及。