近日，我國團隊在智能計算硬件方面取得突破，在國際上首創基于存算一體技術的高效排序硬件架構。該成果由北京大學集成電路學院教授楊玉超、北京大學人工智能研究院研究員陶耀宇組成的團隊完成，已發表于《自然?電子》。

排序是人工智能系統中最常用、最耗時的基礎操作之一，廣泛運用于自然語言處理、信息檢索、圖神經網絡、智能決策等環節。例如，在智能駕駛場景中，車輛在高速公路等簡單環境只需對周邊幾臺車的行進路線進行排序，整個耗時可控制在毫秒級別。但在復雜的城市環境，周邊有數百個乃至更多各類交通參與者，排序的復雜程度和硬件延遲則大幅提高。又如，在抖音等平臺大規模檢索與推薦系統中，用戶點擊、評分、相似度在計算后，常需要對海量的候選內容進行快速排序，找出最相關項，排序性能直接影響系統的響應時間和可擴展性。

在傳統計算架構下，大規模的非線性排序難以在端側或邊緣設備高效完成，這一過程消耗大量時間與功耗，極大制約了具身智能、智能駕駛等新興技術的發展與普及。

近年來，“存算一體”被認為是突破傳統硬件架構計算瓶頸的關鍵技術，已經在矩陣計算等規則性強的數值計算中取得顯著成果。然而由于排序存在邏輯復雜、操作非線性、數據訪問不規則，缺乏通用、高效的硬件排序原語等諸多障礙，目前國際主流的存算一體架構均無法解決大數據排序問題。這一難題，是下一代人工智能計算硬件發展的前沿焦點與核心卡點。

科研團隊圍繞“讓數據就地排序”的第一性原理目標，在存算一體架構上攻克了多個核心技術難題。比如，開創性地引入了“憶阻器陣列”，實現了低延遲、多通路的硬件級并行排序電路設計。又如，在算子層面，優化了面向人工智能任務的算法—架構協同路徑，同時兼容現有矩陣計算。

“排序的核心是比較運算，需要精準地實現‘條件判斷+數據搬移’，在復雜的應用場景中，還要對不同因素的優先級進行比較，因此排序的邏輯非常復雜。一般排序過程需要構建支持多級‘比較—選擇’的比較器單元，而傳統存算一體架構主要面向‘乘加’‘累加’等操作，難以支持這樣的復雜運算，我們成功解決這一難題，設計了一種‘無比較器’的存算一體排序架構。”論文第一作者、北京大學集成電路學院博士生余連風介紹。

實測結果顯示，該硬件方案在典型排序任務中提升速度超15倍，面積效率提升超過32倍，具備并行處理百萬級數據元素排序任務的潛力，功耗僅為傳統CPU或GPU（并行計算）處理器的1/10。

論文通訊作者陶耀宇說，“排序計算在人工智能中是高頻、通用、基礎且極難處理的一類操作，這一難題的突破意味著存算一體從‘適合特定應用’走向‘可支持更廣泛的通用計算’，為人工智能相關任務構建了全鏈路的底層硬件架構支持。”

在測試中，該技術展現出高速度與低功耗的顯著優勢，具有廣泛的應用前景，可用于智慧交通圖像排序系統、金融智能風控評分引擎、邊緣監控設備的目標優先識別模塊等場景。

“根據初步測算，若該技術在智能終端、工業控制、數據中心等核心應用場景中推廣，僅在邊緣AI芯片市場就可形成百億元級年產值潛力，大幅提升傳統算力系統的性能。更重要的是，在社會層面，該技術有望推動新一代智慧交通、智慧醫療、智能制造、數字政府系統更加高效運行，釋放數據價值。”陶耀宇介紹。