首先是ISSCC 2018文章列表链接：
http://submissions.mirasmart.com/ISSCC2018/PDF/ISSCC2018AdvanceProgram.pdf
然后进入正题：
再见吧！冯诺伊曼
——机器学习的存储器之路
大概ISSCC 2018的目录，扫过各个Session的名字，你会看到一个从来没有出现的Session，叫做 Computation in Memory for Machine Learning，应用于机器学习的计算存储器。
简直是一种豁然开朗，或者是恍如隔世的感觉。那么多年，我们纠结在计算机体系结构，纠结在冯诺伊曼架构下的处理器与存储器访问带宽的限制，是不是在这个session 就“强撸”灰飞烟灭了？并行计算再也不用依靠处理器了，存储器包揽一切问题。
该Session的存储器实现包含了两种策略，（1）是基于SRAM的计算存储器，对应了 CNN，甚至是在线训练的实现。(其中31.2 的作者在ESSCIRC 2017上发表了前期的研究成果，基于SRAM的放电原理，实现随机森林算法，有兴趣的读者可以自行搜索。)；（2)是基于新材料的ReRAM的存储器。ReRAM电阻型存储器是目前最接近量产的忆阻器（Memristor）实现方式。
精度限制了我的想象力
—— BNN离现实还有多远？
相较于ISSCC 2017，今年的一个重要变化就是50%以上的芯片都支持，甚至专门优化，低进制的神经网络，特别是二进制的神经网络设计（Binary Neural Network）。相关论文包括
由于极简单的计算电路，和低带宽的要求，BNN网络能达到的能效值非常高至少有50TOPS/W，传言在13.5一文中达到了100TOPS/W的数量级，可是说是蔚为壮观。可是，在现实应用中有多少应用可以接受BNN，这可能就不是一个电路设计者能够回答的问题。但随着近来在算法领域的突破，越来越多的BNN正在走向应用，前途不可限量。
其实我相信13.2的作者或许比我们有更清楚的答案，来自北海道大学的Motomura教授组曾在VLSI 2017上发表过BNN的实现，又在ISSCC 2018上发表了基于Log的量化的通用实现。两相比较或许更能说明问题。不过还是要拜拜这篇文章，7.5TOPS实在高山仰止。
从你的全世界路过
—— 模拟电路不再是旁观者
除了两个以Machine learning命名的session外，还有不少其他设计中也或多或少的集成了机器学习的实现，而这些设计，都是并不是纯粹的数字集成电路，比如：
ISSCC 2014 ISSCC 2015都有基于Current Steering/Cap Arrary的设计，今年的Time domain也是可以关注的方向。
另外，对与许多实际的应用而言，集成在前端的Always-on Detector的细分应用是应该和完成的AI算法分离的，比如智能音箱中的Wake-up word detection （唤醒检测），安防应用中的有效区域识别等，它处于对于整个神经网络SoC进行开关的位置，或许低功耗的模拟新思路比具有精度保证的AI 处理器更适合。21.2 / 13.5 就是很好的例子。
最后，不要忘了老大处理器Intel的IoT智能处理与安全应用大作——
Self power ？ Mote Feature ? 虽然小编从题目开始就只能表示一脸蒙圈。
