文章核心观点 - 加州大学圣地亚哥分校的研究团队开发了一种全新的“体电阻式随机存取存储器（RRAM）”技术，通过摒弃传统的丝状结构，实现了在内存中进行计算，有望突破人工智能的“内存墙”瓶颈 [2][3] 技术原理与创新 - 传统丝状RRAM通过在介电材料中形成低电阻细丝存储数据，但需要过高电压、过程充满噪声且随机，不利于与处理器集成和3D堆叠 [3] - 新开发的体RRAM技术摒弃了细丝，使整个材料层在高阻和低阻状态间切换，避免了高压形成步骤和对器件几何形状的限制 [3] - 该技术将RRAM器件尺寸缩小至40纳米，并成功堆叠多达八层，形成三维电路 [4] - 施加单一电压脉冲可使八层堆叠单元实现64种不同的电阻状态，且堆叠单元电阻值达到兆欧级，优于传统千欧级限制，更利于并行运算 [4] 性能测试与应用前景 - 研究团队将多个八层堆叠组装成1千字节的无选择器阵列，并使用持续学习算法进行测试，对可穿戴传感器数据分类的准确率达到90%，性能与数字实现的神经网络相当 [5] - 该技术特别适用于边缘设备上的神经网络模型，使其能在不连接云端的情况下从环境中持续学习 [5] - 任何能让模型直接在内存上运行的技术都可能成为解决传统内存无法满足大型模型增长需求这一瓶颈的捷径 [6] 行业评价与潜在挑战 - 行业专家认为，将RRAM集成到阵列中是重大进步，任何集成方面的进步都非常有用 [5] - 潜在的挑战在于数据长期保存能力，尽管在室温下可保存数据数年（与闪存相当），但在设备实际运行的高温环境下，其数据保存能力尚不确定 [5]