2026年9月18日，赌博app “知存讲座”顺利举办。本次讲座以“存算一体在AI的应用以及未来发展”为主题，特邀知存科技技术副总裁赖梁祯博士担任主讲嘉宾，赖梁祯博士本科毕业于香港科技大学，硕士和博士毕业于美国加州大学洛杉矶分校电子工程系，曾任美国Meta公司高级研究科学家主管和Arm公司资深研究工程师，长期从事人工智能芯片架构与软硬件优化工作。本次讲座由人工智能研究院助理教授李萌老师主持，包含主讲嘉宾介绍、主题分享以及同学提问等环节。讲座详细介绍了AI计算需求的演变趋势、存算一体技术的基本原理以及未来发展方向，深入回答了同学们的疑问，使同学们对存算一体这一前沿计算范式有了更加系统的认识。

李萌主持本次讲座

赖梁祯主讲

讲座伊始，赖梁祯博士从人工智能应用不断增长所带来的计算需求出发，引导同学们思考：随着模型规模持续扩大，传统计算架构是否仍能满足未来AI发展的需要？从手机、服务器到机器人等不同应用场景，人工智能对算力、功耗、带宽和成本提出了越来越高的要求。尤其是在大模型快速发展的背景下，如何以更高效的方式完成数据传输与计算，已经成为人工智能硬件发展的重要问题。

赖梁祯介绍计算需求

随后，赖梁祯博士介绍了当前AI计算中常见的不同计算模式，包括标量计算、向量计算、矩阵计算以及存内计算，并通过直观的示意图说明不同计算方式在数据量、计算量和数据计算比方面的差异。他指出，传统冯·诺依曼架构中，数据需要在存储单元和计算单元之间频繁搬运，数据移动所带来的时间和能耗开销，正在逐渐成为制约计算效率的重要因素。

在此基础上，讲座进一步引入了存算一体的基本思想。存算一体旨在将数据存储与计算过程更加紧密地结合，减少数据在存储器与处理器之间的反复传输，从而降低访存开销、提高计算效率。赖梁祯博士结合模拟存算和数字存算两种技术路径，介绍了不同方案在计算性能、精度、噪声控制以及灵活性等方面的特点，使同学们对存算一体技术的实现方式及其应用价值有了更加具体的认识。

在谈及人工智能模型的发展趋势时，赖梁祯博士结合不同类型模型的计算特点，分析了深度神经网络、ResNet、LSTM以及大语言模型在预填充和解码阶段的计算需求差异。他指出，随着模型规模扩大，AI计算不仅需要更强的算力，也需要更加匹配模型特征的硬件架构。未来，面向不同计算任务进行软硬件协同优化，将成为提升人工智能系统整体效率的重要方向。

讲座中，赖梁祯博士还重点介绍了传统非易失性存储器在计算应用中面临的局限，包括计算速度、计算精度、存储密度以及写入速度和擦写次数等方面的问题。针对这些挑战，未来需要从架构优化、器件与工艺优化以及新型存算介质等多个层面持续推进技术创新，进一步拓展存算一体在人工智能领域的应用空间。

在问答环节，同学们围绕算子部署、NOR Flash精度、存算芯片在prefill/decode中的优势、算子编程等提问。赖梁祯博士回答：灵活部分适合软件实现，矩阵运算适合存算阵列；模拟存算对电导控制要求高，需平衡激活单元数与精度；存算在decode场景优势更大，prefill也有性价比优势；存算阵列算子编程抽象与GPU相近，但多核调度和MoE等场景需专门设计。

同学提问

同学提问

讲座在热烈掌声中圆满结束。本次讲座让同学们对AI计算需求的变化趋势、存算一体技术的原理与挑战以及未来发展方向有了更加深入的认识。赌博app “知存讲座”将持续开展，邀请信息科技领域的知名学者、产业领袖和优秀校友，为同学们搭建了解前沿技术和产业动态的桥梁，助力青年学子深化专业认知、探索未来发展方向。