新兴存储：从“介质创新”到“与计算融合”的未来

shuszhao

过去人们普遍认为处理器是最重要的，但现在计算能力已不再单纯由处理器性能决定。处理器跟存储器之间的数据传输也面临瓶颈，从而限制了计算能力的发展。昨天的计算体系结构已不适用于明天，从长远来看，计算最好在内存中完成。

近日在Micron Insight 2019期间美光科技推出了X100 SSD，这是美光第一款3D XPoint技术的产品，旨在填补DRAM和NAND闪存之间的存储市场空白。
“X100是基于第一代3D XPoint技术的产品，年内会向少量受邀客户发送样品。”美光技术开发高级副总裁Naga Chandrasekaran透露，同时美光第二代3D XPoint也在研制中，未来还将会有显著的性能提升。
现在，X100的每秒读写操作次数（IOP）高达2.5M——相比之下英特尔Optane P4800X最高读写速度为500K IPOs；在读、写和读写混合模式下带宽超过9GB/s，显著快于目前的竞品NAND。
美光新兴存储副总裁Bob Brennan强调2.5M IOPs的读写速度比现有世界上所有SSD都快，他向记者展示了美光几种不同存储介质的性能差异。

图1：DRAM、NAND和3D XPoint技术的性能对比。

“X100比NAND具有更高的性能和耐久性，比DRAM具有更大的容量和持久性。未来3D XPoint其他产品还可以通过降低工艺尺寸、添加更多层、增加每个单元内的数据位数来增加产品容量。”他指出。
由于3D XPoint的市场定位是填补DRAM和NAND之间的市场空白，这意味着它的售价必须比DRAM更便宜，才能取得商业市场的成功。在三星Z-Nand、东芝XL -Flash等低延时竞品的包围中，X100的市场空间还有待观察。但在本次Micron Insight期间，记者发现，比起新兴存储介质对未来的影响，存储本身与计算之间的融合，是更值得关注的趋势。

内存 + 计算架构的演变


过去人们普遍认为处理器是最重要的，但现在计算能力已不再单纯由处理器性能决定。处理器跟存储器之间的数据传输，也面临瓶颈，从而限制了计算能力的发展。
在Micron Insight 2019期间的一个小组讨论中，Cadence首席执行官Lip-Bu Tan就指出人工智能时代出现了更多需要及时分析的数据，为CPU/GPU带来巨大压力，如何把存储和数据拉近显得尤为重要，而且对很多应用来说，把数据放到云端是不适合的，比如工业自动化，数据存储距离一定要近才有效率。
有数据指出当今系统要消耗80％的电能来将数据从内存传输到计算单元，如CPU/GPU/NPU等，高通公司首席执行官Steve Mollenkopf也同时指出，5G的移动设备制造商如果不进行架构更改，也会遇到严重的电池寿命问题。

图2：Micron Insight 2019 CEO炉边谈话。从左至右分别为Nicholas Thompson（《Wired》主编），Lisa Su（AMD首席执行官），Lip-Bu Tan（Cadence首席执行官），Steve Mollenkopf（高通首席执行官）和Sanjay Mehrotra（美光首席执行官）。

这次炉边谈话的CEO们的共识是：数据处理必须靠近或移入内存。
对此，美光首席执行官Sanjay Mehrotra直接指出：昨天的计算体系结构已不适用于明天，从长远来看，我们认为计算最好在内存中完成。

图3：从长远来看，数据处理必须靠近或移入内存，计算在内存中完成。

针对内存与计算架构的发展，Brennan向记者分享了三个阶段：“第一个阶段是让内存非常靠近逻辑计算，用大量的高带宽数据总线把内存和计算处理器更紧密连在一起；第二个阶段就是在内存中进行计算处理，这个概念始于1994年，实现量产在技术上很难，因为软件和逻辑是分开的两部分，但这样没有传输、延迟等问题，并且大幅提升效能。第三个激动人心的阶段则是神经形态（neuromorphic）计算，使用内存架构本身做计算。据称美光也有和IMEC合作开发这个尚处于研究阶段的技术。”
近日，美光很大的一个进展是基于去年对硬件和软件初创公司FWDNXT的收购，将计算，内存，工具和软件集成到了AI开发平台中。
同时反过来，该平台提供了探索针对AI工作负载优化的创新内存所需的构造块。美光深度学习加速器（DLA）能提供编程软件平台来支持机器学习和神经网络。
未来几年，为了解决AI带来的大量负载，对更高内存带宽的需求、减少与内存互连功耗都变得更加重要，将内存堆积在逻辑上，从而实现边缘神经网络的方式或许会复兴。

heming2216

小烯羽2018

  

leiyijie