近日有消息称，英伟达正在与三星、SK海力士等存储巨头合作，推动自家SOCAMM内存标准的商业化落地。SOCAMM即Space-Optimized CAMM空间优化内存模组技术，是由英伟达主导研发的面向AI计算、HPC、数据中心等领域的高密度内存解决方案，旨在通过紧凑的设计实现最大化存储容量，保持极佳的性能，并使用可拆卸的设计，便于用户可以对内存模块灵活进行升级和更换。

在CES2025上，英伟达推出的紧凑型超算Project DIGITS，就有望将使用SOCAMM内存实现小体积。

高密度内存是AI算力的关键

在AI大模型的训练和推理中，内存都起到十分关键的作用，在训练过程中，输入的数据需要在计算芯片与内存之间频繁传输；同时今天的AI大模型参数规模已经达到数百亿甚至万亿级别，大量的参数带来的是巨大的内存需求，比如DeepSeek R1（671B版本）的全量模型文件大小达到720GB，需要512GB以上的DDR4内存。

而在内存需求不断增加的当下，在设备有限的体积以及有限的成本内，如何容纳更高容量的内存也成为一个难题。

另外根据一些测试，影响大模型本地部署处理速度的主要是内存总带宽，高带宽内存可以减少数据搬运时间，加快处理速度。带宽决定了单位时间内内存与处理器之间的最大数据交换量。例如，训练千亿参数模型时，带宽不足会导致GPU利用率低于50%。

在AI场景中，通常需要 >1 TB/s的带宽，所以近几年HBM内存随着AI计算的需求而得到业界广泛关注，但HBM高昂的价格，也让其只应用在一些价格昂贵的高端算力卡上。

内存延迟过高也会导致处理器闲置，降低计算效率。例如，10ns的延迟差异可使推理吞吐量下降15%。一般来说，AI内存的随机访问延迟需控制在 50ns以内，而性能较强的HBM3可以实现30ns的延迟。

在能效方面，AI服务器系统中，内存的功耗往往占到整个系统总功耗的20%-40%，尤其是在GPU服务器中HBM的功耗可以高达300W。

前面也提到内存的需求不断增加，所以对于AI数据中心等应用来说，能够支持灵活的内存扩展也是一个重要的考量。于是面向未来的AI应用，新的内存需要支持可拆卸的设计，方便用户更换。英伟达在SOCAMM上自然也采用了可拆卸的设计。

SOCAMM：更低成本实现HBM性能

wKgZO2e1LtyAMXOCAAD_SjfobV4253.png

具体来说，SOCAMM首先是利用高I/O密度和先进封装来实现极高的带宽。根据现有信息，SOCAMM的 694个I/O端口，远超传统内存模块（如DDR5的64-128个），同时采用了3D封装技术实现高密度互连，提供接近于HBM3的带宽。SOCAMM显著缓解处理器与内存间的数据瓶颈问题，尤其适用于需要高吞吐量的AI计算场景。

SOCAMM接口目前基于LPDDR5X，理论带宽可以达到6TB/s，已经接近于HBM3的水平，但成本上要大大低于HBM3。同时基于LPDDR5本身具备的低功耗特性，集成高效的电压调节单元，可以根据工作负载实时调整供电策略，尽可能降低能耗，因此SOCAMM的能效水平相比HBM3甚至是GDDR6X更高。

高速信号传输方面，SOCAMM据称采用了高速差分对和优化的布线布局，能够在高密度环境下保持稳定的信号。

在英伟达的设计中，SOCAMM的重要特性就是紧凑体积，模块体积接近成人中指大小，可以推测其采用了chiplet设计和混合键合技术，将DRAM裸片与逻辑控制器集成在单一封装内。

如果能够将SOCAMM成功推广，那么除了AI服务器等应用外，SOCAMM小体积的特性，还将使其适用于AI PC、自动驾驶等场景上，未来应用的前景将非常广泛。

写在最后

AI计算对内存的要求可归纳为：高带宽、大容量、低延迟、高能效。传统DRAM技术已接近物理极限，而HBM、SOCAMM等新型内存通过3D集成和接口优化逐步成为AI硬件的核心。英伟达主导的SOCAMM脱离了当前内存接口主流的JEDEC规范，并希望借助AI的趋势以及英伟达GPU的强势地位，来推动自有内存接口协议的应用，打造独立的接口生态，未来SOCAMM的发展值得持续关注。

文章来自：电子发烧友