这场全球性的技术盛事，旨在汇聚世界各地的顶尖开发者、学者和研究人员，共同在存内计算芯片上部署和优化神经网络算法。百万奖金池，资深研发导师，社区进阶激励。

入选天才博士计划，不仅能够获得百万级行业顶级待遇，还能直接参与到核心产品的研发与创新中，投身于先进存内计算技术的核心研究领域，探索这一前沿科技如何重塑人工智能的未来。

在这个技术飞速发展的时代，开发者社区的技术交流会是一个绝佳的机会，让开发者们聚集在一起，分享知识、交流经验、探讨技术。无论你是资深开发者还是初学者，这里都有你的位置。我们诚邀你加入这场技术研讨会做分享嘉宾！

WTM2101芯片是由Witin知存科技开发的高性能存内计算芯片，专为加速AI计算设计，如图1.1所示。存内计算作为一种革命性技术，其主要优势在于将计算功能直接集成到存储器中，从而显著减少数据在芯片内部的传输距离，降低延迟，增强处理速度。这种架构使得

以图中的PDE(0)=011111101 (253)为例，它是PDE-MAX，并且PDE-REF1=011111111(255)，则PDE(0)位于 zone-0(ZFG=1)，它仅需对PDE(0)[2:0]进行反转，即101反转为010，反转值为2（NSH(0)=2），这样一来，就可以利用三个反相器完成对齐的操作。近期的浮点存算工作，已进行了一定改进，但也未能充分利用面积资源，主要的资源浪费集中在指数对齐计算方面，整数计算本不需该计算模式，因此在计算整数时，这部分浮点计算硬件未能得到应用，如下图所示。

我们刚刚结束了一场充满新意和创意的开发者训练营活动，现在我们诚挚地邀请您加入我们的会后分享会，与我们一起分享您的学习心得、项目经验以及个人成长。

以图中的PDE(0)=011111101 (253)为例，它是PDE-MAX，并且PDE-REF1=011111111(255)，则PDE(0)位于 zone-0(ZFG=1)，它仅需对PDE(0)[2:0]进行反转，即101反转为010，反转值为2（NSH(0)=2），这样一来，就可以利用三个反相器完成对齐的操作。近期的浮点存算工作，已进行了一定改进，但也未能充分利用面积资源，主要的资源浪费集中在指数对齐计算方面，整数计算本不需该计算模式，因此在计算整数时，这部分浮点计算硬件未能得到应用，如下图所示。

本次沙龙活动旨在深入探讨革新底层新算力硬件架构以及软件平台，加速大模型发展与应用的可能性。集结业内专家与当地开发者，共同探讨架构革新的新路径，同时为大家提供一个平等交流与动手实验的平台。

SRAM是一种高速、易失性存储器，具有读写速度快、功耗低等优点。基于SRAM的存内计算技术通过修改SRAM单元的结构，在存储数据的同时实现计算功能。这种技术能够有效地减少数据传输延迟，提高计算速度，并且功耗较低。然而，基于SRAM的存内计算技术也面临

人工智能生成内容（AIGC）技术正在迅速演进，其在视频生成领域的应用尤为引人注目。本文将深入探讨AIGC生成视频的底层技术原理，并结合代码实例进行详细解析。 理论背景 AIGC生成视频的基本原理依赖于深度学习模型，特别是生成对抗网络（GAN）的应用。

人工智能生成内容（AIGC）正在迅速改变着我们创作和消费内容的方式。在这个领域中，大型语言模型（LLMs，如GPT-3和GPT-4）占据着核心地位。它们不仅可以生成自然语言文本，还可以进行翻译、写作、编程和问题解答等多种任务。本文将探讨LLMs在AI

在人工智能生成内容（AIGC，Artificial Intelligence Generated Content）领域，强化学习（RL，Reinforcement Learning）技术发挥着重要作用。强化学习是机器学习的一种方法，通过与环境的交互，

2024/6/25 ，14：00-15：30 【存内计算加速大模型未来智能计算的新引擎】主题直播，一起见证存内计算如何为大模型带来前所未有的加速，开启智能计算的新纪元！

知存科技WTM2101凭借颠覆性的存内计算架构，能够在极低功耗和延时下运行智能语音、智能健康监测算法，已经率先落地AR眼镜、蓝牙耳机等领域实现百万级终端应用。

GLM-4的端侧版本在个性化程度和能力上同样具有优势，在语义、数学、推理、代码和知识等多方面的数据集测评中，GLM-4-9B及其人类偏好对齐的版本GLM-4-9B-Chat均表现出超越此前已被证明很强的端侧大模型Llama-3-8B的卓越性能

面向存算架构的神经网络数字系统（Compute-in-Memory, CIM 或 Processing-in-Memory, PIM）是一种旨在突破传统计算架构瓶颈的新型系统设计。传统的计算系统中，数据存储和数据计算通常分开进行，这导致了大量的数据搬

变分自编码器（Variational Autoencoder, VAE）是一种生成模型，在人工智能生成内容（AI-Generated Content, AIGC）领域中具有广泛的应用。本文将介绍VAE的基本原理、技术细节，并通过代码实例展示其在AIG

人工智能生成内容（AIGC，AI-Generated Content）在图像生成领域取得了显著的进展。本文将探讨从卷积神经网络（CNN）到风格迁移（Style Transfer）的技术演变，并通过代码实例展示其应用。 1. 卷积神经网络（CNN） 卷

生成对抗网络（GANs）在AIGC中的应用 生成对抗网络（Generative Adversarial Networks, GANs）是近年来在人工智能生成内容（Artificial Intelligence Generated Content, A