CNCC | 新型AI存算技术，未来系统发展新趋势

何水兵

CCF杰出会员

浙江大学计算机学院研究员/博导

CCF信息存储技术专业委员会委员，主要从事智能计算、内存和存储系统等方面研究工作。主持或参与了国家自然科学基金、国家重点研发、科技部重大项目、教育部重点项目等10余项。在国际会议和期刊上发表论文80多篇，包括ASPLOS、MICRO、HPCA、SC、TC、TPDS和TOS等CCF A类论文近30篇。担任国际期刊TPDS编委，获2020年TPDS优秀编辑奖。

冯丹

CCF会士

华中科技大学教授/博导、计算机科学与技术学院院长

武汉光电国家研究中心信息存储研究部主任，信息存储系统教育部重点实验室主任。国家杰出青年基金获得者、国家级人才项目入选者。从事信息存储系统与技术、存算一体、计算机系统结构等研究，担任2个973项目首席科学家，863重大项目总体专家组组长、基金委创新研究群体项目负责人等。授权发明专利100余项，发表论文300余篇，著作3部，主持完成国家标准6项和电子行业标准3项。获国家技术发明二等奖2项。

面向AI的存算一体技术研究

随着忆阻器机理、类脑体系结构等进展，存内计算相关研究成为当前研究热点，特别是利用存内计算实现AI算法映射进一步提高性能和能效比，已成为AI算力解决方案中备受关注的新技术。报告将介绍基于新型非易失存储的存算一体机理及体系结构，并从仿真和电路多方面介绍面向AI的存算一体芯片设计和实现的相关技术。

舒继武

CCF会士、理事、信息存储技术专委主任

闽江学院院长，清华大学教授/博导

杰青、IEEE Fellow。主要研究领域为信息存储系统、智能存储、并行分布式系统等，相关论文发表在包括FAST、SOSP、OSDI、USENIX ATC、EuroSys、MICRO、ISCA、ASPLOS、SC、SIGMOD等国际学术会议和ACM/IEEE Trans.等权威期刊上百余篇，曾获FAST’2023最佳论文奖、ACM SIGMOD’2023研究亮点奖、MSST’2015和SRDS’2015的最佳论文提名奖等；承担过国家重点研发、重大专项、863、973、自然科学基金等项目或课题；获国家科技进步二等奖和国家发明技术二等奖各1次、获华为首届“奥林帕斯”奖等。

面向人工智能大模型的存储系统设计与思考

近年来，以ChatGPT为代表的人工智能大模型引起了工业界和学术界的广泛关注。大模型的参数量在持续增长，训练所需的数据量在不断提高，且具有独特的计算模式、访存模式和数据特征，这使得针对互联网、大数据等应用的传统存储技术在处理大模型训练任务时效率低下。本报告将首先阐述大模型训练给存储系统带来的新挑战；然后将分别介绍3类主要的相关技术：基于大模型计算模式的分布式存储技术、大模型训练访存感知的异构存储技术、大模型数据缩减技术；最后展望大模型存储系统构建的若干趋势。

唐卓

国家超级计算长沙中心总工程师，算力网络湖南省工程研究中心主任

湖南大学教授/博导

湖南大学信息科学与工程学院副院长（主持工作），湖南大学先进技术协同创新研究中心常务副主任。国家杰出青年科学基金获得者，教育部青年长江学者。

区域型算力网络关键技术探讨

算力网络指依托高速、移动、安全、泛在的网络连接，整合网、云、数、智、安、边、端、链等多层次算力资源，提供数据感知、传输、存储、运算等一体化服务的新型信息基础设施。建立算力调度和算力需求对接平台，是提升先进算力和基础算力使用效率的必由之路，关键在于如何提升超算中心和主要算力中心的服务能力。报告将汇报区域算网一体的云网融合架构、多云环境下的任务协同计算与调度、算网融合与数据协同等关键技术的前沿进展和应用需求。

马德

浙江大学副教授/博导

主要研究方向为神经形态计算芯片(Neuromorphic)，神经网络处理器(NPU)，片上系统芯片(SoC)等，负责“达尔文”系列类脑计算芯片研发，先后主持国家自然科学区域联合基金、面上项目、青年项目，科技部重点研发课题，军委科技委创新特区项目等，在TCAD，TCDS，IJCAI等期刊与会议发表论文10余篇，获得发明专利20余项。

神经拟态类脑计算芯片

类脑计算被认为是下一代计算技术及下一代人工智能发展的重要突破方向。本报告将介绍神经拟态类脑芯片的现状、趋势与挑战，类脑计算芯片的核心技术等，并将重点介绍“达尔文”系列类脑芯片。“达尔文”系列是浙大牵头研制的类脑计算芯片，至今已经迭代三代，它借鉴脉冲神经网络的结构与工作原理进行计算，比传统神经网络具有更强生物真实性、比传统计算模式具有更低功耗。

吴晨涛

上海交通大学教授/博导

CCF信息存储专委会常委，国家级青年人才，华中科技大学、美国弗吉尼亚联邦州立大学（Virginia Commonwealth University）双博士。研究方向主要为云存储、大数据存储系统。主持国家重点研发计划课题、国家自然科学基金面上、上海市自然科学基金等项目20余项，在IEEE TC、IEEE TPDS、HPCA、DAC、DSN等期刊会议上发表论文90余篇。研究成果荣获2019年国家技术发明二等奖、2018年和2022年上海市技术发明一等奖、2021年上海市计算机学会技术发明一等奖、2019年阿里巴巴优秀学术合作项目、2022年华为火花奖、IEEE TC 2019 Spotlight Paper、ICCD 2020 Best Paper等奖励。

分布式机器学习高鲁棒验证和高可靠恢复机制的研究

随着分布式机器学习等大规模算力应用的部署，数据中心规模的急剧增加，数据中心面临着严重的外在节点攻击及内在数据丢失的隐患。传统的鲁棒验证方法只能针对单一样本，无法满足多类样本的需求；传统的高可靠纠删码技术虽然成本较低，但无法匹配数据中心的各类型应用场景。为此，本报告主要提出了分布式机器学习的高鲁棒验证机制和高可靠恢复机制，通过多样本联合验证算法以达到更高的鲁棒性，通过分类样本的优先级调整提高恢复效率。在保障数据中心低成本高可靠的同时，能够更好地支撑上层算力应用。