定制化存储：研究框架（70页）

主要观点总结

本报告《端侧大模型近存计算，定制化存储研究框架》来自中邮证券研究所，主要讨论了人工智能领域的大型语言模型在端侧的应用及挑战，包括近存计算技术的采用和定制化存储的需求。报告详细阐述了存算一体技术的分类和特点，以及其在端侧AI大模型商业化落地中的应用。此外，报告还探讨了NPU在端侧大模型中的应用，异构计算架构的实现，CUBE技术在边缘AI计算中的助力，以及相关的风险提示。

关键观点总结

关键观点1: 大型语言模型在人工智能领域的应用与挑战

报告讨论了大型语言模型在自然语言处理领域的突破性进展，及其在云端部署的挑战，包括网络延迟、数据安全等问题。这些问题促使将大型语言模型部署在端侧设备上，以提高响应速度和用户体验。

关键观点2: 存算一体技术的成熟为端侧AI大模型的商业化落地提供了技术基础

存算一体技术的核心是将存储与计算完全融合，这种新型计算架构能有效克服传统计算机架构的瓶颈，实现计算能效的数量级提升。报告分析了存算一体技术的分类和特点，及其在端侧AI大模型商业化落地中的适用性。

关键观点3: NPU在端侧大模型中的应用

报告讨论了神经网络处理器（NPU）在改善用户体验和赋能AI用例方面的作用。NPU能够以AI为中心进行定制设计，发挥每个处理器的优势，如CPU、GPU和NPU的协同工作。

关键观点4: 异构计算架构的实现需要先进封装技术的支持

异构计算架构通过将不同功能的芯片或不同制程工艺的芯片集成在一起，实现高性能、高能效和多功能的计算系统。报告介绍了先进封装技术在异构计算架构实现中的重要性。

关键观点5: CUBE技术助力变革边缘AI计算

报告分析了CUBE技术作为客制化的高宽带存储芯片对边缘AI运算装置的影响，以及其在提供高带宽、低功耗、小尺寸存储芯片方面的优势。

关键观点6: 风险提示和订阅号使用注意事项

报告最后提到了相关的风险提示和订阅号使用注意事项，提醒投资者注意投资风险，并遵循适当性管理要求。