摘要：别觉得这是啥冷门实验室成果，这东西要是落地，以后自动驾驶、医疗传感器这些设备，可能就不用再依赖云端，自己当场就能处理数据、更新模型，而且还特省电。

9月28日在《自然-电子学》上看到个挺炸裂的技术新闻——一群法国科学家搞出了首个能支持AI在芯片上同时学习和推理的混合内存技术。

别觉得这是啥冷门实验室成果，这东西要是落地，以后自动驾驶、医疗传感器这些设备，可能就不用再依赖云端，自己当场就能处理数据、更新模型，而且还特省电。

先跟大家掰扯清楚，这事儿为啥重要，咱们现在用的AI，不管是手机里的语音助手，还是工厂里的监控系统，大多是“边缘推理+云端训练”的模式。

简单说就是，设备本身只能做简单的“判断”（比如识别一张照片是不是猫），要是想让它学新东西（比如识别更多品种的猫），就得把数据传到云端，让大服务器算完再把更新好的模型发回来。

但这么干有两个大问题：一是慢，遇到自动驾驶要实时识别突发状况、医疗传感器要立刻分析病人数据这种场景，等云端来回传数据，可能早就误事了。

二是费电，数据传输过程中消耗的能量，比设备本身干活还多，对于靠电池供电的边缘设备来说，这简直是噩梦。

为啥之前解决不了这个问题？核心卡在内存上。

AI要干活，得有地方存“知识”（也就是模型权重），还得能随时更新这些“知识”。

但过去的存储技术，就像偏科严重的学生——要么擅长“记东西”（推理），要么擅长“改东西”（学习），没法两者兼顾。

具体说两种主流技术：一种是忆阻器，这东西特别适合推理，它能存模拟权重，读取数据时又快又省电，还能直接在内存里算账（存内计算），不用把数据来回搬到处理器里，效率很高。

但它有个致命缺点：学新东西特别难，AI学习需要一点点调整权重，忆阻器精度不够，调不出那么精细的变化，相当于想改笔记却只能用粗马克笔，根本改不准。

另一种是铁电电容（FeCAPs），这东西刚好反过来，擅长学习，更新权重又快又省电，精度还高，能满足微调的需求。

但它的问题出在推理上——每次读取数据都会破坏原来的存储内容，相当于读完一本书，书里的字就没了，根本没法反复用，自然没法支持持续的推理工作。

所以之前硬件工程师特别头疼：选忆阻器吧，设备只能当“复读机”，不会学新东西；选铁电电容吧，设备记不住东西，刚学会就忘。

想两者都要？就得在芯片上装两套存储系统，又占地方又费电，边缘设备那点有限的空间和电量根本扛不住。

这次法国团队（由CEA-Leti牵头，还有格勒诺布尔阿尔卑斯大学、CNRS这些机构参与）的突破，就是把这两种技术的优点捏到了一起，搞出了个“全能选手”——混合存储堆栈。

他们的思路特别巧妙，有点像搞“分工合作”，既然忆阻器擅长推理、铁电电容擅长学习，那就让两者各司其职，再搭个桥梁让它们配合。具体怎么干的？

首先，他们设计了一种特殊的存储单元，用掺硅氧化铪和钛吸收层做材料，通过不同的电学“激活方式”，让这个单元既能当忆阻器用，也能当铁电电容用。

相当于一个U盘，想存大文件时切换成普通模式，想快速改文件时切换成编辑模式，一个顶俩用。

然后是工作流程的设计，AI干活分两步：正向传播（推理，用现有知识算账）和反向传播（学习，根据结果调权重）。

团队让忆阻器负责正向传播，用它的模拟权重快速完成推理，保证设备能实时做决策；让铁电电容负责反向传播，用它的高精度优势，一点点微调权重，把更新好的“高精度权重”存起来。

关键的一步是“同步”——每隔一段时间，就把铁电电容里的高精度权重，“翻译”成忆阻器能识别的模拟电导水平，更新到忆阻器里。

这样一来，忆阻器总能用最新的“知识”做推理，铁电电容又能持续优化“知识”，两者形成闭环。

而且他们还搞了个不用数模转换器（DAC）的方法，直接完成权重转换，省了不少硬件成本，还减少了能量损耗。

为了验证这个想法，他们用标准的130纳米CMOS技术，做了一个包含18432个混合存储单元的芯片阵列，把两种存储功能和外围电路都集成到了一块芯片上。

测试结果也很给力：芯片不仅能在片上完成训练，模型精度还能跟传统方法媲美，而且能耗和硬件占用率都大幅降低。

这意味着啥？举几个实际场景你就懂了。

比如自动驾驶汽车，现在的自动驾驶系统遇到没见过的路况（比如突然出现的施工标志、反常的行人走位），可能因为模型没学过，反应不过来。

但有了这种混合内存，汽车可以实时用传感器收集到的新数据训练模型，当场更新算法，下次再遇到类似情况就能应对了。

而且不用传数据到云端，不用担心信号不好或者延迟，安全性大大提高。

再比如医疗传感器，像血糖监测仪、心率监测器，现在大多只能报警“数据异常”，却没法根据病人的实时情况调整监测阈值（比如老人和年轻人的正常心率范围不一样，运动后和静息时也不一样）。

有了这个技术，传感器可以自己学习病人的生理规律，动态调整监测标准，甚至能提前预判风险，比现在的设备智能多了。

还有工业监控，工厂里的传感器要盯着机器的振动、温度这些数据，判断机器是不是要出故障，过去要是机器出现新的故障特征，传感器没学过，就会漏报。

现在传感器可以自己学新的故障模式，不用等工程师远程更新模型，工厂停工检修的时间能大大缩短。

更重要的是，这技术特别适配边缘设备的需求，它用的是130纳米CMOS工艺，不是啥特别尖端的技术，成本不高，容易量产。

而且集成度高，一个存储单元干两种活，芯片体积小，耗电量也低——边缘设备最缺的就是空间和电量，这两点刚好戳中痛点。

当然，现在这技术还在实验室阶段，离真正商用还有段距离，比如大规模阵列的稳定性、长期使用的耐久性，还有和现有AI模型的适配性，都得再优化。

但这个方向肯定是对的，毕竟边缘AI的核心需求就是“自主可控”——不用依赖云端，自己就能闭环学习和推理。

之前总有人说，AI的未来在边缘，因为越来越多的设备需要实时、私密地处理数据（比如医疗数据不能随便传云端）。

但边缘AI的发展一直被硬件卡脖子，尤其是存储技术，这次法国团队的突破，相当于打通了一个关键堵点，给边缘AI的落地铺了条重要的路。

往大了说，这也是AI硬件发展的一个趋势——不再追求单一技术的极致性能，而是通过“混合架构”整合不同技术的优势，实现“1+1>2”的效果。

就像手机摄像头，不是靠一个镜头拍所有场景，而是广角、长焦、微距配合，才能拍出好照片，AI存储也一样，单一技术解决不了的问题，靠组合拳就能搞定。

现在全球都在抢边缘AI的赛道，谁能先解决硬件瓶颈，谁就能在自动驾驶、智能医疗这些领域占得先机。

这次法国团队的成果，算是给行业提了个好头，接下来就看能不能快速迭代，早日从实验室走到实际应用中。

要是真能落地，以后我们身边的设备，可能会比现在聪明得多，也靠谱得多。

来源：笔杆先生一点号