超大规模玩家推动存储设备创新

作者：Gary Hilson，特约编辑

为了满足新应用的需求——从边缘计算和物联网 (IoT) 到越来越智能的手机和智能汽车，内存面临前所未有的压力。还有人工智能 (AI) 和机器学习，这两者都正在成为主要超大规模玩家——谷歌、Facebook 和亚马逊——正在开发的下一代平台的重要组成部分。

他们都期待着广大电子行业和存储器制造商的大量创新，无论是对现有存储器（如 DRAM 和 NAND 闪存）的进一步改进，还是使包含新材料的新兴存储器在商业上可行，作为新计算的部分存储设备架构。但尽管财力雄厚，但任何一家公司都不太可能投资制造设备来制造自己的存储设备，而且他们对支付高价不感兴趣。如果 DRAM 仍然可以完成这项工作，他们不会为每台设备多花 5 美元购买新兴内存，因为在这种规模下，它会迅速增加。

Objective Analysis 首席分析师 Jim Handy 表示，超大规模企业如今的影响力是前所未有的。他能想到的最接近历史的类比是苹果在 15 到 20 年前拥有的“巨大”购买力。然而，该公司只希望对传统计算架构进行微小的改变——例如改变一个引脚——并希望这种改变不会产生额外费用。“他们更倾向于采用现有的计算机架构，然后以更漂亮或更友好的方式将它们交付给客户。”

Handy 说，超大规模企业正在寻找的是大规模的架构变化。“他们的动机实际上是非常不同的，因为他们看的是买东西的成本，然后他们还看运行它需要多少电力。” 超大规模企业希望该行业能够解决这个问题——他们不会走出去承担新资本设备的成本。

美光科技高级计算解决方案副总裁 Stephen Pawlowski 表示，他们也不会开始构建自己的存储设备，尤其是 DRAM，除了其波动性之外，没有任何产品可以具备 DRAM 的可靠性、速度和耐用性。与此同时，从材料的角度来看，NAND 和一些较新的存储级存储器很复杂，并且要了解它们在温度、多个周期和不同工作负载下的工作原理——因此，像美光这样的存储器制造商没有危险变得无关紧要。“使用这些设备需要大量的创造力和独创性，”他说。“当谈到我们需要为内存和存储子系统做些什么来提高容量和性能效率时，合作似乎相当不错。”

Pawlowski 认为超大规模生产者已经从 2000 年代中期扮演角色的原始设备制造商手中接过了煤矿中的金丝雀。OEM 围绕将存储移动到更靠近 CPU 的方式推动创新，而超大规模厂商正试图以前所未有的方式推动网络带宽，这意味着要消耗大量电力来移动数据。“当我们考虑如何提高数据中心的效率时，我们确实需要确保尽可能降低计算系统和内存存储子系统之间传输信息的延迟。”

GlobalFoundries 嵌入式内存高级总监 Martin Mason 表示，人们对在数据中心的计算密集型应用程序中部署 MRAM 和 ReRAM 很感兴趣，包括在服务器场中完成的主流 AI 处理，其中一个关键挑战是电源和内存带宽。“您开始看到在该领域部署的新型内存技术的出现。我认为目前它们中的任何一个都没有真正得到商业利用，但 MRAM 和 ReRAM 都被视为在这些应用中替代 SRAM 的各种高密度存储器技术。”

这一趋势反映了过去五年中超大规模企业的发展，Martin 说。“他们已经从主要以软件为基础的公司转变为越来越多地垂直集成在他们提供的企业基础设施方面的解决方案中，现在，这些解决方案中的芯片也越来越多。” 他说，他们看到硅组件以两种不同的方式帮助他们。第一个是与所有商品化企业硬件的根本区别，第二个是经济性。通过垂直整合并将他们的设计直接带到代工厂，他们最终得到了一个更具成本效益的解决方案，可以更快、更经济地扩展。

Applied 先进工艺技术开发部内存事业部董事总经理 Mahendra Pakala 表示，这些超大规模处理器超越软件的一个很好的例子是谷歌的张量处理单元 (TPU)，用于其自己的 AI 工作负载，这是英特尔等公司通常期望的技术材料。目前，这些公司只使用可用的东西来实现他们的 AI 加速器，“但是一旦你开始设计和构建你的加速器，你就会看到缺点。” 他认为，加速器也将推动新兴存储器的采用，以及由于它们的需求而导致的整体存储器路线图。 

应用材料公司已将其 Endura 平台从单一工艺系统发展为集成工艺系统，作为其新兴存储器材料工程基础的一部分。（图片：应用材料）

一种在人工智能应用中受到广泛关注的成熟内存是高带宽内存 2.0 (HBM2)，它传统上用于高端图形和高性能计算，但 Pakala 指出，虽然从制造的角度来看它已经成熟，但它仍然相对昂贵。他说，在新兴存储器方面，3D XPoint 形式的 PCRAM 已经看到了一些商业应用，MRAM 也是如此。“我们确实看到它们都在成熟，游戏的名称正在降低每比特成本。我们确实看到了降低价格的途径。”

最终，Applied 将材料工程视为向前发展的基础，因此 PCRAM、ReRAM 和 MRAM 可以经济高效地制造，以满足包括 AI 在内的新兴用例。例如，其最新的 Endura 平台专注于使对这些新记忆至关重要的新型材料能够以原子级精度沉积。MRAM 被视为存储 AI 算法的绝佳候选者，Applied 公司刚刚宣布了用于大批量制造的 300 毫米 MRAM 系统，该系统由九个独特的晶圆处理室组成，全部集成在高真空条件下，并且每个腔室能够单独沉积多达五种不同的材料。

尽管代工厂正在探索如何在基于新兴存储器的设备上与超大规模设备合作，Handy 认为超大规模应用不会显着推动对它们的需求，因为他们宁愿花更少的钱购买由 DRAM 和闪存组成的复杂设置。GlobalFoundries 的 Mason 还看到了一个务实的阵营，即让可用的东西在今天发挥作用并获得最佳的增量解决方案。但也有一种破坏性和“敲门砖”的心态，如果价格合适，就会有意愿投资开发对行业真正具有破坏性的东西，他说. “这就是我认为他们中的一些人看到重大突破发生的方式。”

Handy 表示，这些使用存储器的公司希望他们继续遵循摩尔定律，这为未来设定了界限。“内存公司需要继续进行资本支出，但如果资本支出变得太大，如果他们尝试行动过快，就会推高成本，而不是压低成本。”

审核编辑 黄昊宇