摘要：
全球人工智能产业的快速扩张正在引发严重的存储芯片供应紧张，尤其是高带宽内存（HBM）需求激增，使传统DRAM产能面临重新分配的压力。在这一背景下，英特尔前首席执行官帕特·基辛格（Pat Gelsinger）正在押注一种新型内存技术，希望通过改变传统存储单元的设计方式，解决AI芯片长期面临的容量、带宽和功耗问题。
这项技术名为Z2RAM，由美国初创企业Nagare Labs开发。该公司由佐治亚理工学院的研究人员Suman Datta和Shimeng Yu创立，研究基础来自多年来对铁电存储器、电阻式随机存取存储器等新型存储技术的探索。
基辛格目前参与的投资机构Playground Global领投了Nagare Labs的500万美元种子轮融资。他对这项技术表现出相当大的兴趣，认为Z2RAM有机会结合SRAM、DRAM和闪存的优势，打造一种兼具高密度、高速度和可扩展性的新型存储器。
基辛格指出，过去三十年间，广泛商业化应用的主流存储技术并没有出现根本性的变化，SRAM、DRAM和NAND闪存依然构成现代计算设备的存储基础。但随着人工智能计算需求迅速增长，传统存储架构的局限性正在变得越来越明显。
这项技术最重要的突破，在于重新设计了存储单元的电荷保存方式。
传统DRAM通常采用1T1C结构，即一个晶体管搭配一个电容器，通过电容器存储电荷来表示数据。由于电容器中的电荷会随着时间逐渐泄漏，DRAM必须定期刷新数据，而且读取过程具有破坏性，读取之后需要重新写入。
SRAM则采用不同的设计，通常需要六个晶体管组成一个存储单元。它不需要像DRAM那样周期性刷新，读取速度非常快，因此被广泛用于处理器内部的高速缓存。但代价是存储单元面积较大，制造成本高，难以像DRAM和NAND那样实现大规模高密度扩展。
Z2RAM试图在两者之间找到新的平衡。它采用两个晶体管构成存储单元，不再使用传统DRAM中的独立电容器，而是利用第二个晶体管的栅极电容保存电荷。
Nagare Labs联合创始人Suman Datta解释称，这种设计能够实现非破坏性读取。也就是说，读取数据时不需要像传统DRAM那样将存储电荷消耗掉，再执行重新写入操作，因此有望降低访问延迟，并改善整体存储效率。
在密度方面，Nagare Labs预计，第一代Z2RAM的单位面积存储密度可以达到传统SRAM的五倍以上。举例来说，如果相同面积的SRAM能够提供64MB容量，那么采用Z2RAM后，理论上可以将容量提高到320MB左右，同时保持接近SRAM的带宽水平。
这对于人工智能处理器尤其重要。目前，AI加速器越来越依赖HBM提供巨大的内存带宽，但HBM需要复杂的堆叠封装技术，制造成本高，功耗和封装面积也存在限制。
另一方面，部分专门用于AI推理的处理器采用大量片上SRAM，以尽可能减少处理器访问外部内存的延迟。然而，SRAM密度有限，导致芯片必须在有限面积内作出容量与计算单元之间的取舍。
例如，英伟达Groq 3 LPU采用了大量SRAM作为片上存储资源，单颗芯片的SRAM容量约为500MB。按照Nagare Labs的技术设想，如果Z2RAM能够实现预期的五倍密度，那么相同面积便可以容纳数倍于传统SRAM的数据。这可能减少大型AI推理系统对处理器数量的需求，并降低数据在不同芯片之间传输的压力。
Z2RAM的另一个重要特点是采用氧化物半导体材料，并计划通过3D混合键合技术直接集成在计算逻辑芯片上方。
这意味着它不必完全依赖传统内存芯片与处理器分离的架构，而是有机会将高密度存储层直接堆叠在计算芯片附近，缩短数据传输距离。其设计思路与AMD通过3D V-Cache技术在处理器上堆叠额外SRAM缓存有一定相似之处，但Z2RAM希望提供更高的存储密度。
制造工艺方面，Nagare Labs还计划借鉴NAND闪存的垂直堆叠思路，将多个存储层逐层构建起来。与HBM和LPDDR依赖复杂的高密度存储封装不同，公司希望通过氧化物半导体和后端工艺实现相对简单的多层制造。这种方案如果能够成功，将有机会降低大容量片上存储的制造成本。
不过，Z2RAM目前仍处于非常早期的研发阶段。Nagare Labs刚刚完成500万美元种子轮融资，现阶段的成果主要还是实验室原型，尚未进入成熟的芯片制造阶段。
公司正在寻找能够提供研发制造能力的晶圆厂合作伙伴，希望将技术从大学实验室的洁净室环境推进到更大规模的生产验证。按照目前的规划，Nagare Labs希望在未来四年内提供可以工作的Z2RAM存储芯片样品，并争取在未来十年内实现商业化出货。
与此同时，这项技术还面临不少工程挑战。
首先是与计算芯片的集成问题。Z2RAM需要通过3D混合键合与处理器或AI加速器连接，但目前行业尚未形成适用于这种新型存储器的统一接口标准。佐治亚理工学院研究人员表示，如果没有成熟的行业标准，Nagare Labs可能需要自行开发接口技术，这将增加产品设计和商业化的复杂程度。
其次是材料可靠性。氧化物半导体在热稳定性和抗辐射性能方面具有一定优势，但材料内部可能出现原子空位等缺陷。这些微观缺陷可能影响晶体管的阈值电压，即使只有很小的电压变化，也可能导致存储单元出现数据错误。
对于内存产品而言，可靠性往往比实验室中的峰值性能更加重要。任何一种新型存储技术，都必须经过长期的数据保持、读写寿命、温度变化和制造一致性验证，才能真正进入商业市场。
Nagare Labs联合创始人也承认，历史上已经有大量内存初创企业试图挑战传统DRAM和闪存技术，但最终未能成功。即使一项技术在实验室中表现出色，也不意味着它能够通过半导体产业严格的质量标准，并进入现有计算系统的供应链。
基辛格之所以看好Z2RAM，与当前AI产业面临的内存瓶颈密切相关。大型语言模型的训练和推理不仅需要强大的计算能力，还需要持续向处理器输送大量数据。当计算单元的处理速度远远超过内存的数据供应能力时，处理器就必须等待数据，导致昂贵的计算资源无法充分利用。
目前，HBM是解决AI加速器内存带宽问题的主要方案，但它并非没有缺陷。基辛格认为，Z2RAM如果能够实现预期性能，将有机会在存储密度、速度和功耗方面提供不同于现有HBM的解决方案。
值得注意的是，Z2RAM并不是一种能够在短期内解决全球DRAM和HBM供应短缺的技术。即使未来四年能够提供工程样品，距离大规模商业化仍然存在相当长的距离。当前全球内存供应紧张主要来自AI数据中心需求激增，以及三星、SK海力士和美光将更多产能转向HBM和服务器内存产品。
Ars Technica
+2
如果Z2RAM最终能够实现量产，它更重要的意义可能在于改变未来处理器的存储架构，而不是简单增加传统内存芯片的供应量。它有望让AI处理器在芯片内部获得更大的高速存储空间，减少对外部内存带宽的依赖，并为下一代AI加速器提供新的设计选择。
从SRAM到DRAM，再到NAND闪存，半导体产业已经形成了相对成熟的存储技术体系。Z2RAM试图打破这些技术之间长期存在的性能与密度取舍。不过，目前它仍是一项处于实验室阶段的技术构想，最终能否从科研成果转变为具有竞争力的商业产品，还需要时间和制造工艺的检验。
评论