计算速度的提高，必然会让人感觉到智能的提高，而人脑神经网络传递信号的速度，是否也有可能提高呢？
所谓 “冯诺依曼瓶颈”，是冯诺依曼架构本身带来的一些限制。
冯诺依曼架构的明显特征是将CPU与存储器分开，计算单元是从内存中读取数据，然后再将结果存回到内存。但这种架构在当初构建的时候，是假设CPU和内存速度接近，但后续的发展是CPU的性能提升速度远远超过了内存的性能提升，这就给两者之间制造了一道“内存墙”。
达摩院明确提到了新架构的方向，即类似脑神经结构的计算存储一体化架构，它将数据存储单元和计算单元融合为一体，减少数据搬运，大幅提高计算效率。
图灵奖得主、加州伯克利大学计算机科学教授David Patterson也曾表示：“随着摩尔定律的终结，为了获得更快性能的计算机，唯一方法就是改进计算机的设计或‘架构’——未来5至将出现计算机架构的黄金时代。”
针对达摩院提到的趋势预测，复旦大学微电子学院教授韩军表示，传统架构的缺陷在人工智能等需处理海量数据的应用中表现得最为明显，芯片算力完全受制于访存带宽，同时总体功耗因计算与存储之间的高带宽数据流动而急剧飙升，将数据存储和计算相融合，是解决这一困境的重要途径。
清华大学长聘教授尹首一也对该方向表示认可，他认为，目前存储器芯片的发展速度远低于处理器芯片的发展速度，两者之间的代差不断拉大，拉近计算部件与存储部件的距离是解决该问题的根本手段。
而这种架构其实经历了几十年的演进。把时间轴拨回几十年前，John Backus曾提出了用没有储存器和地址寄存器的架构模型applicative machine来解决存储问题。虽然这并没有成为解决问题的答案，但推动了产业界开始探索克服冯诺依曼瓶颈的方法。从多级存储架构、新兴存储、更大带宽、3D封装和接近计算，发展到近代将计算放到存储内的“存内计算”。后者作为一种类似于人脑的模型，能将数据单元和存储单元融为一体，不但减少了数据的搬运，还极大地提高了计算并行度和能效。
如果觉得《冯诺依曼计算机发展瓶颈 冯诺依曼瓶颈》对你有帮助，请点赞、收藏，并留下你的观点哦！
