大数据应用于推展了“让内存更加相似计算资源”的架构市场需求，而人工智能和机器学习则更进一步证明了硬件和硬件架构在顺利部署中充分发挥的关键作用。不过有一个关键问题——数据处理应当在哪里展开。在ForresterResearch近期的一项调查中，有89％的受访者回应，计算出来和内不存在架构上密切连接是至关重要的。

这项调研由美光（MicronTechnology）公司委托，调查结果中还找到，内存和存储是如今容许人工智能和机器学习发展的十分最重要的因素。此外，还有多达75％的受访者认为，他们必须升级或新的建构内存和存储架构以超越这种局限性。因为机器学习需要通过神经网络对可观的数据矩阵展开多次积累操作者，这使得大数据及其分析过程中的很多问题以求解决问题。

同时，随着更加多结果的产生，这样的操作者还不会重复展开，以分解最佳路径和最佳自由选择的算法，并且这些算法都是通过处置数据展开重复自学的。美光公司企业战略副总裁ColmLysaght回应，因为数据量十分大，所以解决问题内存问题的少见方案就是减少更好的DRAM（DynamicRandomAccessMemory），即动态随机存取存储器。这是尤为少见的系统内存，需要将性能瓶颈从完整计算出来移往到数据所在的方位。“内存和存储就是数据所在的地方。

我们必需把数据带进CPU，然后再行回到，如此重复。因为这些可观的数据集都必须被处置。”Lysaght说道，如果需要让计算出来和内存更加密切地融合在一起，就意味著可以节省更加多电力能源，因为在内存和计算出来之间就不必须来往过于多次。

“这不会提升性能，因为数据处理必要再次发生在它所在的方位。”在Lysaght显然，有很多有所不同的方法都可以打造出更佳的架构。拿神经形态处理器举例，它在内部用于神经网络，并将内部核心数据分解成为更好的较小颗粒。“因为要对大量的数据要展开处置，所以让更加多的核心重复继续执行比较非常简单的操作者是一种更佳的解决方案，”Lysaght说道。

最近，内存公司Crossbar与GyrfalconTechnology、mtesNeuralNetworks（mtesNN）、RoboSensing等公司一起，打造出了一个致力于获取加快、节能型人工智能平台的联盟——SCAiLE（用作边缘自学的SCABLEAI）。该联盟将融合先进设备的加快硬件、电阻式RAM（ReRAM）和优化神经网络，打造出准备就绪的低功耗解决方案，使得整个过程需要展开监督自学。Crossbar公司战略营销和业务研发副总裁SylvainDubois回应，目前很多企业面对的挑战是，他们既期望在设备上使用人工智能，但是又不告诉该怎么做，无论是智能扬声器、智能摄像头还是智能电视。

而该联盟的目标，就是获取一个将所有适当部分人组在一起的平台。Crossbar的主要贡献在于内存（尤其是ReRAM），它将通过各种输出处置机器学习系统中的数据，还包括文本、关键字、GPS座标、传感器可用数据等大量非结构化数据。Dubois设想了一种存储器阵列，它的架构需要以十分长且高度分段的方式由实例中的每一个特定处置代码加载，构建在边缘设备中分段加载一千个字节。

“如果给定了，你就不会告诉该怎么做。如果没给定，那么这就是我们所说的自学曲率。”Dubois说道。

例如，对摄像头传感器来说，该系统将需要在ReRAM阵列可用方位留存新的事件或一组功能。“下次当有类似于事件在这个摄像头前再次发生的时候，摄像头本身就需要在没任何训练的情况下检测到该事件。”Dubois举例说道。

这获取了一种几乎有所不同的人工智能计算出来方式，因为如果经常出现必须较慢决策的意外事件（例如注目安全性的交通场景）时，它就仍然必须倚赖于云中的训练能力，而需要在当下较慢处置。ForresterResearch的这项研究指出，有更加多的企业将在公有云和边缘方位展开数据分析，从而在边缘已完成更好的机器学习能力。

有51％的受访者回应，他们正在公有云中运营分析，预计未来三年这一比例将减少到61％。此外，有44％的人早已在边缘设备中展开数据分析，预测到2021年这一比例将快速增长到53％。Forrester基础设施和运营高级分析师ChrisGardner对于硬件的重要性深感吃惊，尤其是存储和内存。

他回应，一个十分最重要的研究结果是，有大量工作是瓦解了存储在内存本身展开的。但值得注意的是，这各不相同你的市场需求是什么。

根据Gardner的众说纷纭，训练模型必须大量的内存和存储空间。除外之外，你显然不必须任何东西。Gardner说道，在极致的情况下，企业期望享有一个数百GB的RAM大型环境。但实质上，他们被迫自己建构或者收费让供应商来构建，而且这必须的是硬件方面的改变。

“我们必须更好以内存为中心的架构，让计算出来环绕内存以及存储来展开，而不是让计算出来本身沦为中心。“这并不是说道当前的计算出来架构很差劲，但这有可能并不是做到人工智能和机器学习最有效地的方式。”Gardner回应。此外，Gardner还提及了边缘计算出来，有一个场景是某个举办大型体育赛事的体育场内加装了很多摄像头，这些摄像头动态产生了大量必须较慢处置的数据，以确认否不存在危险性情况。

“他们可以把这些数据发送到云端并回到，但是他们没时间去这么做到，因为他们必需尽早处置这些数据。”未来还将有一些机器学习是在云中展开的，然后回到到物联网设备，但是其中一些设备将显得更加智能化，并且可以自律地展开机器学习，分享返云端以及其他设备。

对于内存制造商来说，这意味著商用组件制造商要持续展开转型，而且要新的编译器应用于以利用人工智能和机器学习工作阻抗所需的、以内存为中心的架构。但是现在这些技术还正处于实验阶段，还没一个确实的使用内存为中心、在实验环境之外有很多延后展现出的架构。Gardner说道：“几十年来我们仍然是借以CPU为中心的心态去建构架构，而想挣脱这种点子是十分具备革命性的。”回应，去年秋天美光还宣告投资1亿美元用作人工智能，并在实验室中打造出了一个类似于DRAM的产品，目标是在2021年展开取样，同时美光的研究人员也在研究处理器内存架构，这也是其他很多初创公司正在研究的领域。

本文来源：电子mg官方网站-www.rajeshsegu.com