1990年，Hennessy和Patterson在《计算机体系结构：量化方法》里画了一张图。他们早就看出内存会成为处理器的瓶颈——容量和速度两头堵。三十五年过去，这张图非但没过时，反而成了预言。
当时硬件架构师们想了个办法：用SRAM做缓存，背后接更大的片外DRAM。内存看起来变大了，速度却慢了几个数量级。这就是"内存墙"（memory wall）的由来——一堵越砌越高的墙，把算力和数据隔开。
SRAM的问题在于它不缩了。先进制程里，逻辑晶体管密度翻倍，SRAM单元却原地踏步。每代新工艺，同样容量的SRAM要占更多芯片面积。当芯片逼近光罩极限（reticle limit），设计师被迫把更多数据赶到片外，而那片外内存慢得像是另一个时代。
AI时代让这事彻底暴露。大模型的访存模式和传统计算完全不同——不是顺序读，是随机爆冲。训练时参数权重塞不进片上缓存，推理时KV-Cache像气球一样膨胀。SRAM不够快，AI芯片就只能干等；SRAM不够大，HBM再宽也喂不饱计算单元。
台积电在2nm节点上押注纳米片（nanosheet）晶体管，声称SRAM密度有改善。但公开数据稀缺，历史经验也不乐观——过去宣传的数字，量产时往往要打折扣。即便按台积电给出的曲线，SRAM的缩放效率仍远落后于逻辑部分。
行业不是没有尝试过替代方案。存算一体、近存计算、HBM堆叠、CXL扩展……每条路都在试图绕过这堵墙。但SRAM的位置太核心了——它握着指令和数据，是处理器能直接对话的唯一内存。换掉它，等于重写整个计算范式。
「性能不是被计算限制的，」Eliyan的工程师说，「是被内存访问限制的。」这话放在1990年是对的，放在2025年依然成立。区别只是墙更高了，翻墙的代价更贵了。
芯片设计师现在面临一个残酷算术：继续堆SRAM，面积和成本爆炸；砍掉SRAM，性能断崖下跌。中间地带越来越窄。当3nm、2nm的流片费用以亿美元计时，这个选择题没有容错空间。
下一代AI芯片的规格书里，算力数字会继续攀升。但真正决定用户体验的，可能是那个很少被提及的指标——片上SRAM容量，以及它能不能撑到数据被用完之前。
如果2nm的SRAM缩放再次不及预期，行业会集体转向片外方案吗？还是会有人押注全新的存储介质，把三十五年前的预言彻底推翻？
热门跟贴