嵌入式存储器如何协同SoC 助力AI Mobile高效运转

今年以来，以人工智能为核心的AI Mobile，正开始成为手机行业的“主角”。越来越多的手机厂商正在研发或已推出各种AI Mobile，甚至部分研究机构认为，AI Mobile或将成为手机市场的新增长点，并掀起新一轮换机潮。

AI Mobile，简单来说，是支持AI功能的新一代智能手机。和常规手机相比，AI Mobile的SoC是关键。

异构集成 SoC是关键

当下主流的AI Mobile SoC突出特性采用CPU、GPU及NPU异构集成的架构形态，具备更强的算力，能够处理AI相关计算和推理任务。

CPU和GPU属于通用处理器，拥有很强的兼容性和灵活性。一方面能够高效处理手机常规任务，保证手机基础功能的流畅运转，例如操作系统、游戏、拍照、娱乐等；另一方面还能和NPU相串联，针对AI相关的应用和场景，提供更佳的AI体验。

NPU，全称Neural network Processing Unit，即神经网络处理单元，其突出特性是在电路层模拟人类神经元和突触，用深度学习指令集直接处理大规模的神经元和突触，一条指令完成一组神经元的处理。

相较于CPU和GPU的冯诺依曼结构，NPU通过突触权重实现存储和计算一体化，进行神经网络计算的效率也远超GPU。目前，NPU已被大规模应用于包括AI Mobile、AI PC在内众多人工智能、机器学习等领域。

业界通过异构集成技术，将CPU、GPU及NPU等不同用途芯片融合在一颗SoC上，最终促成AI Mobile的诞生。

当然除了SoC，在AI Mobile中数据存储也是执行AI计算和推理任务，实现AI功能，协同SoC打造AI体验的关键一环。

高性能特性 协同SoC加速AI功能实现

从底层设计上看，AI Mobile因不断丰富和完善的AI功能，会涉及更多复杂且高频的计算、推理和生成等任务指令，需要嵌入式存储器提供更高性能、更大带宽，高效迅速的将SoC发出的相关数据和指令传输到其他系统硬件，进而推进AI功能的实现，为前端的用户提供响应更及时的AI体验；

从具体应用上看，AI Mobile重要功能设计便是云侧和端侧的混合大模型，云侧大模型需要实时不间断地和AI Mobile进行数据的同步，指令的对接，科学合理的进行算力的调配，算法的更新，这都对嵌入式存储器执行SoC相关指令的响应速度，传输效率提出更高挑战；至于端侧大模型，在模型训练的各个阶段，包括数据的收集、筛选、分析和归一等步骤中，无一离得开高性能嵌入式存储器提供的高带宽、高读写速度。

低功耗设计 提升整体续航 助力AI Mobile性能不打折

随着AI功能的加入，需要处理的指令和传输的数据都在呈指数级增长。同时，鉴于AI Mobile和云端模型保持数据的实时传输，会更加频繁的调动嵌入式存储器进行数据的读取和写入。由此，包括SoC在内的各种硬件，其功耗也会肉眼可见的升高。

嵌入式存储器，作为AI Mobile的重要组成，更低功耗的设计，在处理同等负载的任务时，能够节省功耗，从存储端提升AI Mobile的整体续航。

同时，更低功耗设计，也将减少存储器工作时的发热量，最大程度的拖延甚至避免存储温度墙的出现，始终维持更高的性能表现，助力AI Mobile性能不打折。

更大容量为AI Mobile功能实现和拓展保驾护航

AI Mobile同样需要嵌入式存储器提供更大容量。

一方面，AI Mobile内置端侧大模型，需要海量空间，存储用于训练大模型的各种“养料”，包括语音、文字、视频等各种数据；同时，随着端侧大模型的不断丰富和迭代，需要存储的参数和数据量也会不断激增，对存储器提出了更高容量需求。

另一方面，在应用端，AI Mobile端侧和云侧大模型的完善，将刺激和生成许多带有AI功能的且丰富多彩的应用，例如私人助理功能，生成式AI助手可根据用户喜好，定制推送新闻、视频、音乐等内容；智能翻译功能，借助AI算法，在用户进行语音通话的同时，实时进行语音的翻译，以及语音转文字的记录等功能。而这些功能的实现，不仅需要SoC的算法支撑，同时还需要大容量嵌入式存储器，存储和承载这些应用本体及生成的各种缓存文件。

面对着AI手机的浪潮，长江存储推出一系列嵌入式存储器，不断满足AI手机的存储需求。

长江存储UC033是基于晶栈®Xtacking® 3.0技术的TLC三维闪存芯片打造的UFS3.1嵌入式存储产品，拥有高性能、大容量、低延迟等特性，最大顺序读取速度达2100MB/s，产品设计128GB, 256GB，512GB三个容量，能够满足AI时代，手机等智能终端对嵌入式存储器全面的产品需求。

注：部分技术解释源于网络