面向

6G

物聯(lián)網(wǎng)的端側(cè)計算白皮書2023

年

8

月1前

言6G

技術(shù)將提供更高的速率、更多的連接，以及更廣的網(wǎng)絡(luò)覆蓋，以滿足在高度動態(tài)環(huán)境中的各類應(yīng)用需求。6G“萬物智聯(lián)，數(shù)字孿生”的愿景對終端處理時延、功耗、數(shù)據(jù)隱私保護(hù)等提出更高要求。面向6G

物聯(lián)網(wǎng)的端側(cè)計算在云、邊、端構(gòu)成的立體計算范式中的作用日益凸顯，但端側(cè)計算的概念、技術(shù)架構(gòu)、發(fā)展趨勢還不明確。中國移動希望聯(lián)合產(chǎn)業(yè)合作伙伴共同推動面向

6G

的端側(cè)計算整體架構(gòu)和關(guān)鍵技術(shù)的成熟，推動面向

6G“萬物智聯(lián)，數(shù)字孿生”的立體計算架構(gòu)的發(fā)展和落地應(yīng)用。本白皮書由中移智庫、中國移動研究院、清華大學(xué)、北京郵電大學(xué)、北京知存科技有限公司聯(lián)合撰寫，版權(quán)歸中國移動及合作伙伴所有，未經(jīng)授權(quán)，任何單位或個人不得復(fù)制或拷貝本建議之部分或全部內(nèi)容。目錄1

概述

.......................................................................

11.1

背景與意義

...........................................................

21.2

內(nèi)容與目的

...........................................................

32

典型應(yīng)用場景

...............................................................

42.1

大流量場景

...........................................................

52.2

實時計算場景

.........................................................

52.3

隱私保護(hù)場景

.........................................................

62.4

離線自治場景

.........................................................

73

關(guān)鍵技術(shù)及挑戰(zhàn)

.............................................................

83.1

算力受限

.............................................................

93.2

功耗敏感

............................................................

103.3

信息孤島

............................................................

124

新興技術(shù)

..................................................................

134.1

存算一體：打破后摩爾時代的算力危機(jī)

..................................

144.2

類腦智能：低功耗的下一代人工智能

....................................

154.3

端邊云協(xié)同：泛在算力

................................................

184.3.1

縱向端邊云協(xié)同

................................................

184.3.2

橫向端端協(xié)同

..................................................

205

總結(jié)展望

..................................................................

23縮略語列表

..................................................................

25參考文獻(xiàn)

....................................................................

261

概述6G

物聯(lián)網(wǎng)終端實時數(shù)據(jù)爆炸式增長，芯片先進(jìn)工藝的發(fā)展帶來單位算力成本下降，AI

模型及軟硬件協(xié)同創(chuàng)新帶來算法性能提升，新型人工智能場景對低時延計算需求強(qiáng)勁，端側(cè)實時計算迎來新機(jī)遇。11.1

背景與意義實時數(shù)據(jù)爆炸式增長。物聯(lián)網(wǎng)應(yīng)用實現(xiàn)了更大連接、更廣覆蓋和更優(yōu)體驗，連接規(guī)模已經(jīng)實現(xiàn)了“物超人”。隨著聯(lián)網(wǎng)設(shè)備的進(jìn)一步增多和高帶寬業(yè)務(wù)的進(jìn)一步普及，全網(wǎng)數(shù)據(jù)吞吐量將呈現(xiàn)爆發(fā)式增長。據(jù)預(yù)測，到

2030

年，網(wǎng)絡(luò)吞吐量將達(dá)到

5000EB/月，隨著實時數(shù)據(jù)的井噴，云計算架構(gòu)面臨網(wǎng)絡(luò)壓力大、響應(yīng)速度慢、數(shù)據(jù)安全及隱私保護(hù)不足等問題。新型場景不斷涌現(xiàn)。人工智能技術(shù)與智能終端的結(jié)合對終端實時計算提出了新的需求，以智能終端

XR

場景為例，包含追蹤定位、沉浸聲場、手勢追蹤、眼球追蹤、三維重建、機(jī)器視覺、肌電傳感、語音識別、氣味模擬、虛擬移動、觸覺反饋、腦機(jī)接口等多個環(huán)節(jié)，需要低時延計算能力提升用戶實時體驗。IDC

預(yù)計，2023

年中國搭載

3D

空間性和運動性傳感技術(shù)的終端設(shè)備將超過

40%。算力成本逐步下降。芯片先進(jìn)工藝制程逐步提升，據(jù)

IDC

預(yù)計，2022

年

7nm制程芯片將成為主流，搭載

7nm

芯片的智能終端設(shè)備占比將超過

32%。芯片制程的提升將使單位算力的成本逐步下降，如圖

1

所示，7nm

制程的芯片單位算力成本僅為

16nm

制程的

19.4%。圖

1

每

TOPS

算力成本隨著工藝逐步下降（數(shù)據(jù)來源：IBS）算法性能持續(xù)提升。人工智能算法性能隨著算法創(chuàng)新、軟件優(yōu)化、硬件加速等持續(xù)提升。算法方面，深度學(xué)習(xí)網(wǎng)絡(luò)模型不斷演進(jìn)，AI

模型輕量化等技術(shù)不斷發(fā)展，模型的尺寸和計算量大幅縮減。據(jù)

OpenAI

統(tǒng)計，自

2012

年以來，人工智能模型在

ImageNet

分類中訓(xùn)練神經(jīng)網(wǎng)絡(luò)達(dá)到相同性能所需的計算量，每

162個月減少了

2

倍。軟件方面，面向移動端的

AI

計算框架發(fā)展迅猛，對終端兼容性越來越好且對

AI

模型的推理性能持續(xù)提升。硬件方面，通過增加深度學(xué)習(xí)專用硬件電路等方式，可大幅提升

AI

計算性能。綜上，隨著

6G

物聯(lián)網(wǎng)實時數(shù)據(jù)的爆炸式增長、新型場景不斷涌現(xiàn)、算力成本的逐步下降、算法性能的持續(xù)提升，端側(cè)計算將迎來前所未有的發(fā)展新機(jī)遇。1.2

內(nèi)容與目的端側(cè)計算，指在具備一定的計算能力和存儲能力的物聯(lián)網(wǎng)終端設(shè)備中進(jìn)行計算。端側(cè)計算主要滿足低功耗、高隱私保護(hù)、低時延的計算需求，應(yīng)用場景包括大流量智能視頻監(jiān)控、低時延的自動駕駛、高隱私性保護(hù)的人臉識別和離線自治的智能家居等。6G

物聯(lián)網(wǎng)，即

6G

使能的物聯(lián)網(wǎng)，是以

6G

網(wǎng)絡(luò)為通信基礎(chǔ)設(shè)施的物聯(lián)網(wǎng)?；?/p>

6G

技術(shù)的深度賦能，物聯(lián)網(wǎng)端到端系統(tǒng)將能夠?qū)崿F(xiàn)更強(qiáng)大的智能和自主性，能夠?qū)崟r精準(zhǔn)感知環(huán)境、做出智能決策并提供個性化的服務(wù)。端

側(cè)計算在云、邊、端構(gòu)成的立體計算范式中的作用日益凸顯。本文希望系統(tǒng)梳理端側(cè)計算的場景需求、關(guān)鍵技術(shù)挑戰(zhàn)以及新興端側(cè)計算技術(shù)。目前端側(cè)計算技術(shù)整體發(fā)展仍處于初級階段，未來還有很多技術(shù)和商業(yè)層面的挑戰(zhàn)，中國移動希望聯(lián)合產(chǎn)業(yè)合作伙伴共同推動端側(cè)計算整體架構(gòu)和關(guān)鍵技術(shù)的成熟，推動面向

6G

物聯(lián)網(wǎng)的立體計算架構(gòu)的發(fā)展和落地應(yīng)用。32

典

型

應(yīng)

用場景42.1

大流量場景視頻物聯(lián)網(wǎng)近年來呈逐年增長趨勢。據(jù)IDC

Global

DataSphere，2020

全球視頻監(jiān)控產(chǎn)生的數(shù)據(jù)約

18.1PB（1PB=1024TB），占同期物聯(lián)網(wǎng)總數(shù)據(jù)量

83.1%。智慧城市、智慧交通、智能家居等物聯(lián)網(wǎng)領(lǐng)域中存在大量的視頻終端。使用MPEG-4

壓縮，30fps/1280×1024

分辨率的單一連續(xù)視頻每天產(chǎn)生約

128G數(shù)據(jù)；搭配了攝像頭和雷達(dá)的L2

輔助駕駛系統(tǒng)的車載系統(tǒng)每

30

秒就會生成超過

6GB的數(shù)據(jù)。此類視頻分析場景特別是高清視頻分析類場景需要占用大量的帶寬資源，并且大流量的視頻數(shù)據(jù)傳輸易引發(fā)網(wǎng)絡(luò)擁塞、服務(wù)質(zhì)量下降等問題。端側(cè)計算應(yīng)用于此類大流量場景，可第一時間對收集的視頻數(shù)據(jù)進(jìn)行處理分析，將處理和分析后的結(jié)果再上傳至云側(cè)數(shù)據(jù)中心，大幅減少網(wǎng)絡(luò)數(shù)據(jù)傳輸、降低網(wǎng)絡(luò)帶寬負(fù)荷、緩解云數(shù)據(jù)中心存儲與計算的壓力，并能夠提升系統(tǒng)的實時響應(yīng)能力。隨著端側(cè)AI芯片的性能不斷提升，AI安防等視頻監(jiān)控應(yīng)用向端側(cè)前移趨勢愈加明顯。AI安防端側(cè)算力需求如表

1

所示。表

1

AI

安防端側(cè)算力支持像素算力2M0.5TOPS<1w4M1TOPS1w8M16M4TOPS3w2TOPS2-2.5w功耗2.2

實時計算場景在自動駕駛、工業(yè)控制、虛擬現(xiàn)實等時延敏感類應(yīng)用場景中，終端采集數(shù)據(jù)上傳到云端，云端計算后再將結(jié)果返回終端，將會引入網(wǎng)絡(luò)和平臺處理時延，考慮網(wǎng)絡(luò)不穩(wěn)定等因素，時延可能會更大。隨著

6G人工智能技術(shù)的進(jìn)一步發(fā)展，車聯(lián)網(wǎng)將在深度學(xué)習(xí)、多傳感器融合等方法的使能下形成車輛、路

側(cè)、云端的全場景一體化感知決策架構(gòu)，實現(xiàn)協(xié)同決策，更好地助力自動駕駛。IDC報告顯示，2022

年第一季度L2

級自動駕駛在乘用車市場的新車滲透率達(dá)

23.2%，整個市場處于L2

向L3

發(fā)展的階段。輔助駕駛對于端到端時延的要求在

100

毫秒，自5動駕駛對于端到端時延的要求進(jìn)一步提高到

20~100

毫秒。在工業(yè)控制中，診斷信息的時延要求為

10

毫秒，運動控制的時延要求提高至

25-100

微秒。虛擬現(xiàn)實的需要保證所有捕捉動作到頭顯中動作小于

20ms，以避免用戶產(chǎn)生眩暈感。端側(cè)計算應(yīng)用于此類實時計算場景中的全部或者部分計算，可有效降低端到端時延，滿足業(yè)務(wù)低時延實時計算需要。目前芯片廠商紛紛布局端側(cè)大算力，助力自動駕駛等實時計算場景。自動駕駛算力需求如表

2

所示。表

2

自動駕駛算力需求自動駕駛級別算力L210

TOPS5wL3L4100

TOPS50wL530~60

TOPS15~30w1000

TOPS500w功耗2.3

隱私保護(hù)場景在人臉驗證、可穿戴設(shè)備等隱私保護(hù)場景下，用戶對個人數(shù)據(jù)的隱私性較為敏感，對于在設(shè)備端讀取的用戶人臉、語音、視頻等數(shù)據(jù)上傳云端進(jìn)行分析，存在數(shù)據(jù)安全與隱私泄露風(fēng)險。據(jù)中國互聯(lián)網(wǎng)協(xié)會《中國網(wǎng)民權(quán)益保護(hù)調(diào)查報告（2021）》顯示，82.3%的網(wǎng)民親身感受到了由于個人信息泄露對日常生活造成的影響，49.7%的網(wǎng)民認(rèn)為個人信息泄露情況嚴(yán)重或非常嚴(yán)重。端側(cè)計算應(yīng)用于此類隱私保護(hù)場景，可在端側(cè)對數(shù)據(jù)完成預(yù)處理，對數(shù)據(jù)進(jìn)行去標(biāo)識化、匿名化處理等，將脫敏數(shù)據(jù)與平臺進(jìn)行交互，提升用戶隱私數(shù)據(jù)保護(hù)能力。端側(cè)人臉識別算力需求如表

3

所示。表

3

端側(cè)人臉識別算力需求場景算力功耗手機(jī)人臉驗證閘機(jī)1TOPS1w視頻監(jiān)控<4TOPS<3w1TOPS1w62.4

離線自治場景在智能家居等場景下，由于終端設(shè)備網(wǎng)絡(luò)不穩(wěn)定，斷網(wǎng)時需要能夠持續(xù)穩(wěn)定的運行。IDC

預(yù)計未來五年中國智能家居設(shè)備市場出貨量將以

21.4%的復(fù)合增長率持續(xù)增長，2025

年市場出貨量將接近

5.4

億臺。當(dāng)前智能家居正在向著構(gòu)建單用戶畫像，理解用戶生活行為，提供“千人千面”的個性化服務(wù)的方向發(fā)展。如果上述服務(wù)完全部署在云端，斷網(wǎng)時終端設(shè)備無法正常響應(yīng)，將嚴(yán)重影響用戶體驗。端側(cè)計算在端側(cè)部署服務(wù)，在云端保存一個映射。這樣既保證內(nèi)網(wǎng)設(shè)備穩(wěn)定有效的運行，也保障用戶在外網(wǎng)狀態(tài)時可以遠(yuǎn)程操作家里的智能設(shè)備。智能家居算力需求如表

4

所示。表

4

智能家居算力需求場景算力功耗入戶監(jiān)控1~3TOPS~1w全屋安全3~10

TOPS1~5w全屋智能>10TOPS>5w73

關(guān)鍵技術(shù)及挑戰(zhàn)83.1

算力受限為了降低人工智能模型對計算空間及時間的消耗，模型壓縮作為以深度學(xué)習(xí)為代表的人工智能領(lǐng)域研究的一個重要的分支，旨在對原有的人工智能模型進(jìn)行參數(shù)壓縮、維度縮減等操作或者重新設(shè)計輕量化的網(wǎng)絡(luò)結(jié)構(gòu),以提高網(wǎng)絡(luò)的訓(xùn)練和推理速度。雖然模型壓縮在一部分場景下取得了比較好的效果，但在一些場景下壓縮后的模型可能引起推理精度的嚴(yán)重下降，另外壓縮后的模型存在難以應(yīng)用于通用計算平臺等問題。在對精度要求較高的場景下，依然優(yōu)先用硬件滿足需求。圖

2

不同精度計算的消耗能量和硅片面積然而端側(cè)單點算力的提升面臨瓶頸。一方面隨著工藝的制程升級，摩爾定律已經(jīng)開始放緩。到了

2018

年，根據(jù)摩爾定律得出的預(yù)測與當(dāng)下實際能力差了

15倍。另一方面，登納德縮放比例定律似乎已經(jīng)失效。盡管集成電路中的晶體管數(shù)量仍在增加，但由此帶來的性能改善卻更為緩慢。主要原因是在芯片尺寸不變，晶體管數(shù)量變多的情況下，電流泄漏會帶來更大的挑戰(zhàn)，也會導(dǎo)致芯片升溫，從而造成熱失控的威脅，從而進(jìn)一步增加能源成本。如圖

3

所示（數(shù)據(jù)來源：

JohnL.

Hennessy,

David

A.

Patterson.

2019）。9（a）摩爾定律在放緩（b）登納德縮放定律失效圖

3

單點算力面臨瓶頸當(dāng)前的端側(cè)計算芯片仍然基于馮諾依曼架構(gòu)，其數(shù)據(jù)存儲與處理分離，存儲器與處理器之間通過數(shù)據(jù)總線進(jìn)行數(shù)據(jù)傳輸。隨著半導(dǎo)體技術(shù)的發(fā)展，存儲單元性能發(fā)展遠(yuǎn)落后于計算單元，如圖

4

所示（引用自

JohnL.

Hennessy

et

al.）。在面向大數(shù)據(jù)處理等應(yīng)用場景中，這種計算架構(gòu)帶來的存儲墻和功耗墻已成為高算力與低功耗設(shè)備的主要瓶頸之一。相關(guān)研究報告指出，在

22

納米工藝節(jié)點下，一比特浮點運算所需要的數(shù)據(jù)傳輸功耗是數(shù)據(jù)處理功耗的約

200

倍。存儲墻與功耗墻問題并稱為馮諾依曼架構(gòu)瓶頸。數(shù)據(jù)的爆發(fā)式增長進(jìn)一步加劇了馮諾依曼架構(gòu)瓶頸。圖

4

處理器和存儲器的性能差3.2

功耗敏感一方面根據(jù)摩爾定律，集成電路每隔

18-24

個月性能提升一倍，智能手機(jī)的AI

計算、設(shè)備互聯(lián)等功能不斷增加；另一方面

5G

手機(jī)采用

Massive

MIMO

的技術(shù)以增強(qiáng)手機(jī)對信號的接收，耗能顯著增加。然而，電池領(lǐng)域卻沒有摩爾定律，受能量密度和電池尺寸限制，電池容量僅能以較低幅度線性提升，電池性能增速遠(yuǎn)慢于需求，如圖

5

所示。所以，用戶時常感覺手機(jī)續(xù)航的“力不從心”，如何在保證終端性能的同時更好控制功耗成為關(guān)鍵。10圖

5

終端電池能力增速遠(yuǎn)慢于需求異構(gòu)芯片以追求最高的性能功耗比為目標(biāo)。對比云數(shù)據(jù)中心常用的

CPU、GPU、TPU，端側(cè)更多地使用

FPGA

及

ASIC。FPGA

的電路可直接實現(xiàn)算法，沒有指令譯碼和解讀的過程，減少反復(fù)冗余訪問外部存儲器的需求，存儲器帶寬需求及能耗較低，能效比是

CPU

的

10

倍以上、GPU

的

3

倍，處理速度和效率要高于

GPU。此外，ASIC

性能上的優(yōu)勢也非常明顯，具有最高的能效比。圖

6

比較了不同硬件的速度和能耗(圖片來源：Prof.

Luca

Benini.

ACM

HPC）。圖

6

不同硬件的速度和能耗作為對比，如圖

7

所示，AlphaGo

作為擁有

176

個

GPU，1202

個

CPU，功耗約為

150,000

瓦，而與之對弈的柯潔，其大腦功耗只有約

20

瓦。再比如蜜蜂的大腦，只有

100

萬個神經(jīng)元，0.1mW

的功耗，相當(dāng)于一個紐扣電池可以驅(qū)動幾個月的時間。因而我們需要以生物神經(jīng)元為目標(biāo)，尋找更低功耗的類腦算法。11圖

7

深度學(xué)習(xí)模型和生物的功耗對比3.3

信息孤島人工智能算法的設(shè)計與提升往往需要大量且多樣化的數(shù)據(jù)以及大算力進(jìn)行訓(xùn)練。根據(jù)機(jī)器學(xué)習(xí)的

VC

維度（Vapnik–Chervonenkis

dimension），用于深度學(xué)習(xí)訓(xùn)練的數(shù)據(jù)量應(yīng)該至少是模型參數(shù)量的

10

倍。和云計算相比，端側(cè)計算的優(yōu)勢之一是將數(shù)據(jù)保存在數(shù)據(jù)生產(chǎn)者的位置，這樣可以最大限度地不暴露用戶的隱私。但同時，由于不同終端產(chǎn)生的數(shù)據(jù)無法匯聚用戶訓(xùn)練，因而也導(dǎo)致模型質(zhì)量無法保障。同時，隨著傳感器、計算芯片、AI

等技術(shù)的發(fā)展，諸如

AR、數(shù)字人、機(jī)器人搜救等更復(fù)雜任務(wù)被不斷提出，完成一項完整的智能任務(wù)往往需要經(jīng)過多個階段，具有多樣化的需求，包括數(shù)據(jù)采集、預(yù)處理、計算、交互、控制和反饋等。而由于終端設(shè)備尺寸限制，一般只能具備少數(shù)能力，例如只負(fù)責(zé)完成計算任務(wù)，難以滿足日漸復(fù)雜的智能任務(wù)的需求。以

XR

為例，需要實現(xiàn)追蹤定位、手勢追蹤、眼球追蹤、語音識別、環(huán)境理解、肌電傳感、腦機(jī)接口等諸多感知技術(shù)，在此基礎(chǔ)上建立沉浸式聲場、氣味模擬、三維重建，并通過近眼顯示技術(shù)進(jìn)行展示。這需要多個傳感器、計算、通信、顯示設(shè)備的協(xié)同工作才能完成。124

新興技術(shù)134.1

存算一體：破解后摩爾時代的算力危機(jī)當(dāng)前業(yè)界對于存算一體技術(shù)的定義和分類尚未完全統(tǒng)一，學(xué)術(shù)界聚焦利用存儲介質(zhì)直接進(jìn)行計算，即狹義存算一體；工業(yè)界關(guān)注商用化進(jìn)程，提出廣義存算一體概念，可分為三種方案。一是近存計算（Processing

Near

Memory

PNM），將存儲和計算模塊集成到一個部件或一個芯片中，通過增加帶寬或減少數(shù)據(jù)搬移量來對原有架構(gòu)進(jìn)行優(yōu)化，提升數(shù)據(jù)運算效率。該技術(shù)仍基于馮·諾依曼架構(gòu)，主要產(chǎn)品形態(tài)包括

SmartSSD、智能網(wǎng)卡等，產(chǎn)業(yè)成熟度較高。但該技術(shù)并未實現(xiàn)計算與存儲的真正融合。二是存內(nèi)處理（Processing

in

Memory,

PIM），該方案的本質(zhì)在芯片制造的過程中，將存和算集成在一個晶圓

Die

中，使存具備了算的能力。主要形態(tài)是基于

DRAM

的存內(nèi)處理產(chǎn)品。三是存內(nèi)計算（Computing

in

Memory,

CIM），可使用存儲單元完成計算功能實現(xiàn)存算零距離，真正實現(xiàn)“存算一體化”，也是業(yè)內(nèi)通常意義上的狹義存算一體。圖

8

廣義存算一體分類狹義的存算一體技術(shù)旨在把數(shù)據(jù)存儲與計算融合一體化，以減小數(shù)據(jù)搬運，克服馮諾依曼架構(gòu)瓶頸。存算一體技術(shù)的基本概念最早可以追溯到上個世紀(jì)七十年代，但是受限于當(dāng)時的芯片設(shè)計復(fù)雜度與制造成本問題，以及缺少殺手級大數(shù)據(jù)應(yīng)用進(jìn)行驅(qū)動，早期的存算一體技術(shù)僅僅停留在研究階段，并未得到實際應(yīng)用。近年來，隨著數(shù)據(jù)爆發(fā)式增大以及內(nèi)存芯片技術(shù)的提高，存算一體技術(shù)重新得到人們的關(guān)注。存內(nèi)計算的介質(zhì)目前來看有兩大類，一是由傳統(tǒng)硅基材料制成的SRAM

和

Nor

Flash

等，其中

SRAM

已廣泛應(yīng)用于

CPU

的緩存，Nor

Flash

主要用來存放固件程序，廣泛應(yīng)用于網(wǎng)卡、手機(jī)等設(shè)備；二是非硅基的新型材料，包括基于金屬氧化物的

RRAM/ReRAM（憶阻器）、基于硫系化合物的

PCM/PRAM（相變14存儲器）、基于鐵磁材料的

MRAM（自旋磁存儲器）等。近年來，基于各類存儲介質(zhì)的存算一體芯片研究百花齊放，潛在應(yīng)用場景也豐富多彩，包括視覺類、聽覺類、分析類、人機(jī)交互等。但是，上述這些存儲介質(zhì)都存在各自的一些優(yōu)缺點，如表

5

所示，在大規(guī)模量產(chǎn)時需要有針對性地進(jìn)行優(yōu)化。表

5

基于不同存儲介質(zhì)的存內(nèi)計算芯片性能比較標(biāo)準(zhǔn)SRAM否Flash是DRAM否RRAM是PCM是MRAM是FeFET是非易失性多比特存儲能力否是否是是否是面積效率寫入速度功耗效率成本低很快低高較慢高高快高較快高高較慢高快高快低較高高高高低較低測試芯片低較低較低測試芯片較低器件技術(shù)成熟度

測試芯片量產(chǎn)產(chǎn)品測試芯片測試芯片此外，存算一體技術(shù)存在一些共性的挑戰(zhàn)需要行業(yè)共同努力。一是大部分新型存內(nèi)計算器件成熟度低，加工工藝不夠完善，計算精度、耐久性、功耗、性能等還在快速迭代中演進(jìn)。二是芯片研發(fā)周期較長，產(chǎn)業(yè)化存在不確定性，相關(guān)產(chǎn)線在后道工藝如金屬與介質(zhì)填充、刻蝕、清洗等環(huán)節(jié)可能涉及改造，并且芯片良率和性能依賴長期流片積累經(jīng)驗，走向成熟需要

5

到

10

年。三是缺少成熟的

EDA輔助設(shè)計和仿真驗證工具，使得存內(nèi)計算的架構(gòu)設(shè)計效率較低，且無可復(fù)用的IP

核，設(shè)計水平參差不齊。綜上分析，存算一體技術(shù)需要產(chǎn)業(yè)鏈上下游和科研機(jī)構(gòu)共同努力，推動技術(shù)工程化和產(chǎn)業(yè)化。4.2

類腦智能：低功耗的下一代人工智能相對于目前已被廣泛應(yīng)用和研究的深度人工神經(jīng)網(wǎng)絡(luò)，類腦智能更多地借鑒了生物神經(jīng)網(wǎng)絡(luò)的功能機(jī)制和行為特點，以便能夠達(dá)到能夠媲美人腦的能效表現(xiàn)15和學(xué)習(xí)能力。類腦智能技術(shù)路線總體上可分為三個層次：結(jié)構(gòu)層次模仿腦，器件層次逼近腦，智能層次超越腦。在結(jié)構(gòu)層次，人類大腦是一個極度優(yōu)化的系統(tǒng)，人腦包含大約

1000

億個神經(jīng)元，每個神經(jīng)元都有數(shù)千個突觸連接。它的工作耗能缺僅為

25

瓦特。盡管單個神經(jīng)元是神經(jīng)系統(tǒng)的基本單位，但正是它們的突觸連接模式使神經(jīng)元能夠形成神經(jīng)網(wǎng)絡(luò)和主導(dǎo)各種腦功能的神經(jīng)環(huán)路，從而使大腦成為強(qiáng)大的計算設(shè)備，完成當(dāng)前更高能耗的計算機(jī)無法完成的任務(wù)。因此，人們希望能模仿人腦的工作方式來處理信息，構(gòu)建新的神經(jīng)網(wǎng)絡(luò)模型。腦科學(xué)是一門實踐性很強(qiáng)的交叉學(xué)科，包含了神經(jīng)科學(xué)，醫(yī)學(xué)，數(shù)學(xué)，計算科學(xué)等多門學(xué)科。腦科學(xué)的目的是認(rèn)識腦，保護(hù)腦和模擬腦，其中模擬腦是人工智能的重要靈感來源和終極目標(biāo)。具體來說，模

擬

腦

需

要

在

神

經(jīng)

生

物

學(xué)

（

Neurobiology

）

和

計

算

神

經(jīng)

學(xué)

（

ComputationalNeuroscience）基礎(chǔ)上實現(xiàn)。神經(jīng)生物學(xué)側(cè)重研究神經(jīng)元和突觸等腦組織的生物學(xué)機(jī)理；計算神經(jīng)學(xué)主要通過生物學(xué)機(jī)理對神經(jīng)元以及神經(jīng)突觸等結(jié)構(gòu)進(jìn)行數(shù)學(xué)建模，并在模擬環(huán)境仿真以求其特征與生物腦相近。在器件層次，生物神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元具有復(fù)雜且龐大的空間結(jié)構(gòu)，主要分為突觸、神經(jīng)元、樹突等幾個部分。通過傳統(tǒng)的

CMOS(complementary

metal

oxidesemiconductor)電路可以實現(xiàn)大規(guī)模的人工突觸及人工神經(jīng)元。

例如，IBM

設(shè)計并研制了

TrueNorth

芯片,

Intel

設(shè)計并研制了

Loihi

芯片,

它們模擬了神經(jīng)元和突觸對脈沖的響應(yīng),

并且具備并行運算的能力,

可以降低推理及訓(xùn)練所需的功耗。但是,

在這些芯片中,

每個神經(jīng)元或者突觸都需要采用數(shù)十個

CMOS

器件來實現(xiàn),

因此,

人們嘗試采用憶阻器來實現(xiàn)神經(jīng)元和突觸的功能。憶阻器與生物神經(jīng)元在結(jié)構(gòu)、物理行為和功能上有著極高的相似性,

可以用于模擬神經(jīng)單元豐富的行為特征，天然適合構(gòu)建類腦神經(jīng)器件。例如非易失憶阻器的電導(dǎo)狀態(tài)隨外加電壓產(chǎn)生連續(xù)變化，可用于模擬突觸單元在脈沖刺激下的權(quán)重調(diào)制；閾值開關(guān)器件兩端施加不同的電壓可以讓器件電導(dǎo)產(chǎn)生突變，可用于模擬神經(jīng)元的積分-發(fā)放行為；動態(tài)憶阻器的具有非線性的

I-V，并且其電導(dǎo)隨時間指數(shù)衰減，可用于實現(xiàn)樹突單元的非線性濾波特性?；诖祟愋滦蛻涀杵鳂?gòu)建新型神經(jīng)元電路結(jié)構(gòu)及適配的網(wǎng)絡(luò)算法，有望能夠?qū)崿F(xiàn)更高效的神經(jīng)形態(tài)計算硬件系統(tǒng)，模擬生物神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力，并為進(jìn)一步研究生物神經(jīng)網(wǎng)絡(luò)的運作機(jī)制提供高效16的計算平臺。圖

9

包含三種神經(jīng)形態(tài)器件（突觸、神經(jīng)元、樹突）的網(wǎng)絡(luò)系統(tǒng)在智能層次，脈沖神經(jīng)網(wǎng)絡(luò)(spiking

neural

network,

SNN)作為第三代神經(jīng)網(wǎng)絡(luò),

與目前流行的神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)方法有著根本上的不同，它使用脈沖信號而非連續(xù)信號傳遞信息，更容易模擬人腦低功耗高性能的處理方式。在該過程中,

神經(jīng)元接收到足夠的興奮信號產(chǎn)生脈沖,

通過突觸傳遞給下一個神經(jīng)元。脈沖神經(jīng)網(wǎng)絡(luò)通過

2

個層面提升信號處理的效率，降低功耗：一是在積分-泄露-發(fā)放(leaky

integrate

and

fire,

LIF)神經(jīng)元模型中，神經(jīng)元對輸入的脈沖持續(xù)進(jìn)行積分，當(dāng)積分電位達(dá)到脈沖發(fā)放閾值后，神經(jīng)元才發(fā)放脈沖傳遞到下一層網(wǎng)絡(luò)，該機(jī)制可以大幅降低未激活狀態(tài)下的神經(jīng)元靜態(tài)功耗。二是通過引入自適應(yīng)行為，使得神經(jīng)元的脈沖發(fā)放頻率受到其興奮程度（閾值）的負(fù)反饋調(diào)節(jié)，有助于提高網(wǎng)絡(luò)穩(wěn)態(tài)，進(jìn)一步減少網(wǎng)絡(luò)中神經(jīng)元的激活次數(shù)。此外，由于脈沖序列可以攜帶時間信息，神經(jīng)元的

LIF

特性和突觸的

STDP、STP

特性使得

SNN

在處理大量時空信息上具有優(yōu)勢，基于脈沖神經(jīng)元構(gòu)建多層神經(jīng)形態(tài)網(wǎng)絡(luò)有望能夠提高網(wǎng)絡(luò)對于時序信息的處理能力。由于

SNN

中涉及復(fù)雜的時空動力學(xué)和不可微分的尖峰激活函數(shù)，開發(fā)用于深度

SNN

的高效學(xué)習(xí)算法是一項持續(xù)的研究挑戰(zhàn)。此外，SNN

需要輸入脈沖數(shù)據(jù)，當(dāng)前直接獲得脈沖信號的傳感器還比較少，研究主要采用將傳統(tǒng)數(shù)字信號經(jīng)過一定規(guī)則轉(zhuǎn)換為脈沖信號的方式，因而應(yīng)用場景有限，精度也還不足以與卷積神經(jīng)網(wǎng)絡(luò)相匹敵。因而我們相信，未來應(yīng)該是類腦計算與傳統(tǒng)數(shù)字計算平臺并存，互17為補(bǔ)充。數(shù)字計算平臺面向云中心、高精度等計算需求。而隨著面向類腦計算的傳感器不斷涌現(xiàn)，類腦計算有望在終端實現(xiàn)感知、存儲、處理功能于一體,

極大程度底緩解物聯(lián)網(wǎng)實時數(shù)據(jù)爆炸的問題，實現(xiàn)更高效更低能耗的端側(cè)推理。4.3

端邊云協(xié)同：面向

6G

物聯(lián)網(wǎng)的泛在算力隨著物聯(lián)網(wǎng)的持續(xù)快速發(fā)展以及百億連接的移動通信設(shè)備下海量數(shù)據(jù)的產(chǎn)生，物聯(lián)網(wǎng)場景逐步呈現(xiàn)計算邊緣化、聯(lián)接泛在化、應(yīng)用碎片化及終端智能化等趨勢，云計算、邊緣計算等傳統(tǒng)計算范式已經(jīng)無法滿足日益增長的場景需求，因此端邊云協(xié)同計算成為了端側(cè)計算的新興技術(shù)之一。云側(cè)中央服務(wù)器聚合了大量的硬件資源，具備強(qiáng)大的計算能力和存儲能力，適合模型訓(xùn)練、資源調(diào)配；邊緣服務(wù)器算力有限，可協(xié)同減輕云端的計算壓力，提升服務(wù)的多樣性，適合模型更新、異構(gòu)匯聚；終端設(shè)備算力較小、靠近用戶側(cè)，可根據(jù)本地環(huán)境收集不同類型數(shù)據(jù)，有利于保護(hù)行業(yè)數(shù)據(jù)隱私性，適合模型推理、個性化服務(wù)。因而

6G

物聯(lián)網(wǎng)需要根據(jù)計算任務(wù)的相應(yīng)需求選擇更靈活的計算范式，按需靈活部署，從而制定全局最優(yōu)的資源分配及任務(wù)調(diào)度方案，滿足中心級、邊緣級、現(xiàn)場級的需求。4.3.1

縱向端邊云協(xié)同端邊云協(xié)同技術(shù)的發(fā)展可分為以下三個階段。圖

10

端邊云協(xié)同的三個層次第一階段是聚合樣本資源的數(shù)據(jù)協(xié)同，在該階段中，端側(cè)終端設(shè)備采集本地數(shù)據(jù)，傳送至云側(cè)進(jìn)行數(shù)據(jù)處理分析、特征提取、訓(xùn)練推理等計算工作，最終云側(cè)返回計算結(jié)果，其中，端、邊、云三方間的協(xié)同交互只存在于源數(shù)據(jù)層面。受18帶寬、隱私泄露、數(shù)據(jù)量等因素的影響，數(shù)據(jù)協(xié)同方式會面臨難分析、難處理的困境，因此已逐漸被模型協(xié)同、算力協(xié)同所替代。第二階段是部署智能服務(wù)的模型協(xié)同，該階段將面向用戶的人工智能服務(wù)部署到端側(cè)、邊側(cè)、云側(cè)，為用戶提供低時延、高精度、具備安全保障的優(yōu)質(zhì)體驗，其中端、邊、云三方間的協(xié)同交互主要面向模型參數(shù)層面。在該階段中，模型如何部署取決于用戶需求，如為保障數(shù)據(jù)隱私安全，可采用聯(lián)邦學(xué)習(xí)技術(shù)，即端側(cè)上傳模型參數(shù)或中間結(jié)果，邊側(cè)或云側(cè)基于多個端側(cè)設(shè)備的虛擬數(shù)據(jù)構(gòu)建全局模型；為保障實時性需求，可采用模型壓縮技術(shù)，即將云側(cè)或邊側(cè)訓(xùn)練好的大模型通過剪枝等方式獲取對應(yīng)的小模型，并部署在端側(cè)設(shè)備上進(jìn)行推理，縮短推理時間；為保障個性化需求，可采用遷移學(xué)習(xí)技術(shù)，即云側(cè)或邊側(cè)訓(xùn)練通用模型，端側(cè)基于本地實際場景的數(shù)據(jù)進(jìn)行部分參數(shù)固定、部分參數(shù)微調(diào)，從而適應(yīng)實際業(yè)務(wù)需求。由于模型協(xié)同具備更強(qiáng)的靈活性及更高的服務(wù)質(zhì)量，因此近年來工業(yè)界及學(xué)術(shù)界不斷進(jìn)行探索，并取得了階段性的成果，成為了主流的端邊云協(xié)同方式。第三階段是優(yōu)化資源調(diào)配的算力協(xié)同，該階段利用優(yōu)化算法實現(xiàn)端側(cè)、邊側(cè)、云側(cè)算力資源的分配及任務(wù)調(diào)度，使得資源高效利用，降低計算成本。隨著國家“東數(shù)西算”工程及運營商“算力網(wǎng)絡(luò)”規(guī)劃建設(shè)的提出，打造端邊云多層次、立體泛在的分布式算力體系成為新的研究熱點，端邊云協(xié)同也逐步打破常規(guī)，向“以算為中心”的方向發(fā)展。其中，學(xué)術(shù)界率先發(fā)力，將高性能終端與邊緣側(cè)、云端的資源整合，根據(jù)實際需求，將部分任務(wù)的執(zhí)行保留在本地或通過直通鏈路卸載到其他終端，可以實現(xiàn)更靈活、高效的網(wǎng)絡(luò)部署，同時降低上級網(wǎng)絡(luò)負(fù)荷。目前，算力協(xié)同還處于起步階段，將端邊云的算力資源進(jìn)行連接與協(xié)同已經(jīng)成為

5G/6G

網(wǎng)絡(luò)發(fā)展的業(yè)界共識，然而，領(lǐng)域內(nèi)仍然存在一些共性的挑戰(zhàn)需要行業(yè)共同努力。一方面，對于終端側(cè)，國內(nèi)企業(yè)將主要關(guān)注點投放在智能設(shè)備的多種功能模組硬件升級、操作系統(tǒng)和一站式應(yīng)用平臺的搭建等，對端側(cè)算力的調(diào)用、端側(cè)協(xié)同機(jī)制和傳輸方法鮮有涉及。另一方面，學(xué)術(shù)界雖然已經(jīng)有部分工作針對端邊云算力協(xié)同優(yōu)化，但是沒有對業(yè)務(wù)場景進(jìn)行針對性強(qiáng)的全面考慮，缺少端邊云三個層級的通信、計算和存儲跨域資源聯(lián)合協(xié)同。此外，多級分布式協(xié)同需要考慮服務(wù)需求差異化、部分信息可觀測、接入網(wǎng)環(huán)境和資源狀態(tài)復(fù)雜等現(xiàn)實因素對跨域資源協(xié)同和網(wǎng)絡(luò)優(yōu)化帶來的影響。194.3.2

橫向端端協(xié)同圖

11

端端協(xié)同的四個層次端端協(xié)同

1.0

是基于

D2D

的數(shù)據(jù)共享。借助近距離直通

D2D

技術(shù)，用戶可以從鄰近的已獲得媒體業(yè)務(wù)的用戶終端處獲得該媒體內(nèi)容——系統(tǒng)層面可以緩解運營商蜂窩網(wǎng)絡(luò)的下行傳輸壓力，用戶層面有助于降低時延及增強(qiáng)覆蓋。對于這種端端協(xié)同實現(xiàn)數(shù)據(jù)共享的服務(wù)模式，從具體場景出發(fā)包括：(a)通過挖掘用戶數(shù)據(jù)維度的興趣共性、社交共性，將用戶持有內(nèi)容通過

D2D

鏈路推送至潛在的共性內(nèi)容需求用戶，完成數(shù)據(jù)層和通信層融合服務(wù)；(b)對于請求同一媒體內(nèi)容的區(qū)域用戶群，由

D2D

多跳鏈路構(gòu)成無線內(nèi)容分發(fā)網(wǎng)絡(luò)，完成快速內(nèi)容共享，釋放蜂窩網(wǎng)下行傳輸壓力；(c)同用戶多個設(shè)備之間通過

D2D

鏈路實現(xiàn)內(nèi)容遷移，相較于傳統(tǒng)短距離通信方式，提供更穩(wěn)定優(yōu)質(zhì)的用戶體驗；(d)環(huán)境感知場景中（車聯(lián)網(wǎng)/物聯(lián)網(wǎng)），多個用戶設(shè)備可以通過直通鏈路（V2V/M2M）將個體感知數(shù)據(jù)進(jìn)行轉(zhuǎn)發(fā)共享，擴(kuò)大單車/單機(jī)視野，進(jìn)而提升相應(yīng)場景下（例如智慧交通、智能制造等）服務(wù)效率和可靠性。端端協(xié)同

2.0

是基于無縫連接的任務(wù)卸載。隨著物聯(lián)網(wǎng)設(shè)備數(shù)量和種類的迅速發(fā)展和提升，智能應(yīng)用服務(wù)通過設(shè)備間的發(fā)現(xiàn)、連接和任務(wù)卸載調(diào)度來提升用戶服務(wù)體驗越發(fā)的重要。在單用戶設(shè)備比較少的時候，用戶通過手動操作的方式進(jìn)行設(shè)備之間的連接，比如，手機(jī)連接藍(lán)牙耳機(jī)。隨著外圍設(shè)備越來越多，手動操作的方式不方便，甚至?xí)绊懹脩舻捏w驗。在端端協(xié)同

2.0

階段，通過藍(lán)牙Mesh、分布式總線等方式能夠讓設(shè)備間形成方便、高效的互聯(lián)，從而可以實現(xiàn)任20務(wù)按需在不同設(shè)備間進(jìn)行卸載。從具體場景出發(fā)包括：（a）設(shè)備之間即連即用，無需繁瑣的配置。在智能家居場景中烹飪時，手機(jī)可以通過碰一碰與烤箱連接，并將自動按照菜譜設(shè)置烹調(diào)參數(shù)，控制烤箱來制作菜肴。（b）多設(shè)備聯(lián)動，提升用戶體驗。在多屏聯(lián)動課堂中老師通過智慧屏授課，與學(xué)生開展互動，營造課堂氛圍，學(xué)生通過平板完成課程學(xué)習(xí)和隨堂問答。統(tǒng)一、全連接的網(wǎng)絡(luò)確保了傳輸通道的高帶寬、低時延、高可靠。端端協(xié)同

3.0

是面向碎片化能力匯聚的超級終端。隨著電子芯片、嵌入式、數(shù)字集成技術(shù)的發(fā)展，智能終端的性能正在經(jīng)歷前所未有的飛躍。智慧屏、智能家電、VR

頭顯、機(jī)器人等終端設(shè)備，能夠滿足生產(chǎn)生活中的用戶高級體驗；而具有不同功能或不同體量的多個設(shè)備組合起來，可以構(gòu)成一個虛擬的“超級終端”，為用戶提供更靈活的媒體業(yè)務(wù)形式和更高效的資源共享方案。具體來說包括以下幾方面。(a)通過蜂窩網(wǎng)絡(luò)或本地局域網(wǎng)將多個異構(gòu)設(shè)備進(jìn)行聯(lián)通，設(shè)備具有的不同功能聚合，極大的提升用戶體驗。例如，智能手機(jī)、智慧屏和

6

個音箱構(gòu)成的

5.1

聲道環(huán)繞立體聲設(shè)備群互聯(lián)，可以為用戶在播放手機(jī)視頻時提供影院級視聽體驗。(b)通過蜂窩或局域網(wǎng)絡(luò)將一個用戶可支配的多個設(shè)備進(jìn)行聯(lián)通，實現(xiàn)計算和存儲資源共享。例如，智能手機(jī)、平板電腦和筆記本電腦互聯(lián)，用戶可以通過筆記本電腦像操作自帶硬盤一樣，控制手機(jī)和平板的存儲空間，或通過D2D

建立協(xié)同計算任務(wù)。(c)不同用戶持有的終端設(shè)備可借助

D2D

傳輸進(jìn)行計算卸載，這種方式充分調(diào)用空閑設(shè)備的計算能力，將部分任務(wù)的執(zhí)行通過直通鏈路卸載到其他設(shè)備。多用戶之間進(jìn)行資源共享，也可看作是一種“超級終端”形態(tài)，實現(xiàn)更靈活、高效的網(wǎng)絡(luò)部署，同時降低上級蜂窩網(wǎng)絡(luò)負(fù)荷。端端協(xié)同

4.0

是群體智能構(gòu)成的超級大腦。在工業(yè)物聯(lián)網(wǎng)、車聯(lián)網(wǎng)和一些應(yīng)急場景下，往往需要多個無人系統(tǒng)、多個機(jī)器人構(gòu)成工作組，協(xié)同完成特定的目標(biāo)任務(wù)，而這種終端設(shè)備之間的協(xié)同作業(yè)，依托于去中心化的自組織智能協(xié)作方式，將端端協(xié)同技術(shù)推進(jìn)到“超級大腦”層次范疇。例如，在應(yīng)急通信場景下，多個無人機(jī)組成的空中基站群可以為用戶提供通信和計算服務(wù)，無人機(jī)之間通過去中心化的分布式協(xié)作機(jī)制完成編隊、任務(wù)分配、任務(wù)卸載轉(zhuǎn)移等過程。這種多終端之間的協(xié)同機(jī)制起源于“群體智能”這一概念，是人們通過生物群體活動的自然現(xiàn)象中所發(fā)現(xiàn)，并加以探究的結(jié)果。人工智能技術(shù)的發(fā)展，進(jìn)一步優(yōu)化提升21了多智能體協(xié)同工作的性能。在上面的例子中，無人機(jī)可利用深度強(qiáng)化學(xué)習(xí)算法，從當(dāng)前狀態(tài)下通過神經(jīng)網(wǎng)絡(luò)智能學(xué)習(xí)下一步動作（軌跡、任務(wù)分配決策），并不斷與環(huán)境交互更新模型、優(yōu)化參數(shù)，從而提升協(xié)作效率和服務(wù)質(zhì)量。此外，以上談及的端端協(xié)同技術(shù)仍然存在一些共性挑戰(zhàn)，需要在實際的網(wǎng)絡(luò)協(xié)議和優(yōu)化配置中解決。一是不同用戶終端之間數(shù)據(jù)和資源共享的激勵機(jī)制設(shè)置：在數(shù)據(jù)共享和計算卸載過程中，需要內(nèi)容或資源提供方消耗設(shè)備能量、蜂窩數(shù)據(jù)流量、CPU

資源等，因此設(shè)置合理的激勵機(jī)制是十分必要的。二是

D2D

多跳轉(zhuǎn)發(fā)協(xié)議設(shè)計：在內(nèi)容分發(fā)場景下，核心問題是解決內(nèi)容的轉(zhuǎn)發(fā)路由方案，同時需要聯(lián)合考慮內(nèi)容廣播、頻譜接入、同步等通信協(xié)議設(shè)計問題。三是協(xié)同傳輸和計算中的數(shù)據(jù)安全性保障：用戶終端之間的協(xié)同不可避免的帶來隱私數(shù)據(jù)泄漏的隱患，在物理層、數(shù)據(jù)層、模型層面上需要設(shè)計相應(yīng)的安全性方案，實現(xiàn)端側(cè)協(xié)同對用戶隱私數(shù)據(jù)的保護(hù)。四是分布式協(xié)作中的信令交互機(jī)制設(shè)計：多智能體協(xié)同依托于去中心化的自組織群體智能，在沒有中心控制節(jié)點的分布式拓?fù)渲腥绾芜M(jìn)行智能體之間的信令交互，以便能夠滿足協(xié)同工作要求并提升通信效率，是實現(xiàn)端端協(xié)同“超級大腦”愿景需要探究的問題。225

總結(jié)展望促進(jìn)存算一體工程化和產(chǎn)業(yè)化推動低功耗類腦智能算法成熟推動面向

6G

物聯(lián)網(wǎng)的立體計算23我們看到，端側(cè)計算具有低時延、高隱私、個性化等優(yōu)點，有望在

6G

物聯(lián)網(wǎng)大流量、實時性、隱私性、自治性等場景有了廣泛的應(yīng)用，并且隨著新興技術(shù)的發(fā)展，其場景在不斷豐富。但端側(cè)計算技術(shù)整體還處在初級階段，面臨芯片計算資源受限、技術(shù)架構(gòu)碎片化、兼容性差等問題，帶來開發(fā)的難度，制約其發(fā)展和應(yīng)用。推動端側(cè)計算的早日成熟，有如下幾點建議：一是產(chǎn)學(xué)研協(xié)同促進(jìn)存算一體工程化和產(chǎn)業(yè)化，提升單點算力與能效。存算一體正處于多技術(shù)路線探索階段，產(chǎn)業(yè)鏈尚處于初級階段，我國與其他國家“旗鼓相當(dāng)、齊頭并進(jìn)”,有望實現(xiàn)計算芯片自主可控替代，避免“卡脖子”。但其產(chǎn)業(yè)化尚處于起步階段，部分器件的準(zhǔn)確性、計算精度、陣列規(guī)模有待提升；不同芯片廠家開發(fā)的軟件工具鏈互不兼容，影響存算一體芯片產(chǎn)業(yè)生態(tài)構(gòu)建?；谧灾餍酒漠a(chǎn)業(yè)生態(tài)尚未形成。二是跨學(xué)科聯(lián)動推動面向端側(cè)的低功耗類腦智能算法技術(shù)成熟。類腦智能算法的目前還處于初步階段，對大腦運行機(jī)制、仿人腦神經(jīng)元器件、神經(jīng)形態(tài)算法等研究還不夠成熟。類腦智能體系涉及要素較多，需要跨學(xué)科緊密合作，深化多方協(xié)同，加大對人腦運行機(jī)制/仿神經(jīng)元器件/關(guān)鍵算法/軟件等加大支撐投入力度，共同推動技術(shù)實現(xiàn)體系化的創(chuàng)新。三是推動面向

6G

物聯(lián)網(wǎng)的端邊云協(xié)同立體計算。當(dāng)前的邊云協(xié)同的標(biāo)準(zhǔn)不斷推進(jìn)、技術(shù)日趨成熟、生態(tài)蓬勃發(fā)展；但是端側(cè)計算的技術(shù)架構(gòu)還獨立在邊云協(xié)同之外，在立體計算中，端側(cè)還主要承擔(dān)數(shù)據(jù)采集的角色，和邊、云的協(xié)同計算還處在初始階段。面向

6G

物聯(lián)網(wǎng)的業(yè)務(wù)需求，需要不斷加強(qiáng)端側(cè)和邊云的協(xié)同。中國移動希望聯(lián)合產(chǎn)業(yè)合作伙伴共同推動存算一體芯片關(guān)鍵技術(shù)研發(fā)，共同推動面向異構(gòu)芯片架構(gòu)的通用化軟件工具鏈研發(fā)、打造標(biāo)準(zhǔn)軟件運行環(huán)境，加快存算一體芯片產(chǎn)業(yè)化進(jìn)程，研發(fā)基于存算一體技術(shù)的類腦硬件及類腦智能算法，推動其在人工智能、物聯(lián)網(wǎng)等領(lǐng)域應(yīng)用。研投協(xié)同加速構(gòu)建新型計算領(lǐng)域自主可控產(chǎn)業(yè)和生態(tài)，助力我國在先進(jìn)計算領(lǐng)域?qū)崿F(xiàn)彎道超車。同時，面向

6G

物聯(lián)網(wǎng)，中國移動希望聯(lián)合合作伙伴聚焦典型計算場景，搭建面向

6G

物聯(lián)網(wǎng)端邊云協(xié)同計算標(biāo)準(zhǔn)體系、完善端邊云協(xié)同計算技術(shù)架構(gòu)、并通過典型案例推動端邊云協(xié)同計算落地應(yīng)用。24縮略語列表縮略語IDC全稱解釋國際數(shù)據(jù)公司International

Data

CorporationSpike