隨著邊緣 AI 與低功耗 AI 推論應用快速成長，LPU（Language Processing Unit）在系統架構設計上，普遍大量採用 SRAM 作為主要 on-chip memory。其關鍵原因不僅在於速度，而是因為 LPU 推論行為對 記憶體存取延遲、穩定性與可預期性 有極為嚴苛的要求。本集將從 AI 推論流程出發，解析為何在影像辨識、語音觸發與感測器資料分析等即時應用中，記憶體行為往往比運算效能更容易成為系統瓶頸。
內容將深入比較 SRAM 與 DRAM 在存取延遲、refresh 機制、功耗行為與系統穩定性 上的差異，說明 DRAM 在 LPU 架構中可能帶來的不確定性風險，以及 SRAM 在低電壓、高頻存取環境下的關鍵價值。同時也說明，在現代 LPU SoC 中，大量、異質化的 SRAM bank 如何顯著提升記憶體測試與驗證的複雜度。
本集進一步探討 傳統 SRAM 測試方法與實際 LPU 推論存取情境之間的落差，並說明僅以基本讀寫測試，為何無法有效反映低電壓、實際負載下的潛在風險。最後，將介紹芯測科技如何透過 START™ v5 平台，結合 UDA（User-Defined Algorithm） 與 MART（MBIST Algorithm Recommendation Tool），協助設計團隊依 LPU 應用特性，建立更貼近實際推論行為的 MBIST 測試策略，兼顧可靠度、良率與量產效率。