存算一体芯片：打破“内存墙”的AI算力新引擎

当手机AI摄影卡顿、智能汽车环境感知延迟时，很少有人知道，问题根源可能藏在计算机半个多世纪前的架构设计里。

传统冯·诺依曼架构将计算与存储分离，就像工厂与仓库分处两地，数据每次运算都要在“仓库”（内存）和“车间”（计算单元）间来回搬运——这一被称为“内存墙”的瓶颈，如今已成为制约AI性能提升的关键，尤其在需要海量数据处理的场景中，数据搬运的能耗甚至占整体能耗的90%，效率短板愈发明显。

而存算一体芯片的出现，正以“车间建在仓库里”的创新思路，为破解这一难题提供了新方向。

存算一体的核心逻辑，是让计算“靠近”数据。它通过将计算单元直接嵌入存储阵列，省去数据反复搬运的步骤，就像在货架旁直接完成分拣，大幅降低能耗与延迟。

实现这一突破的关键，在于忆阻器（ReRAM）等新型存储器件的应用：忆阻器既能像传统内存一样存储数据，又能通过电阻变化完成逻辑运算，天然具备“存储-计算融合”的物理特性。比如在AI推理中，传统架构需要将权重数据从内存读取到CPU/GPU，而基于ReRAM的存算芯片可直接在存储阵列内完成矩阵乘法运算，数据“零搬运”即可输出结果。

当前存算一体技术主要分为三大路线，各有侧重。SRAM-CIM（静态随机存储器存算一体）速度快、可靠性高，像“快递站”一样适合小容量、低延迟的端侧场景，比如手机AI降噪，但成本较高、容量有限；

DRAM-PIM（动态随机存储器近存计算）容量大、成本低，更像“大型仓库”，适合数据中心的大规模数据处理，不过运算速度略逊于SRAM路线；

而ReRAM为代表的新型非易失性存算路线，则兼顾了高容量、低功耗与较快速度，是当前业界关注的重点方向，尤其适配AI端侧与边缘计算场景。

实际性能数据更能体现存算一体的突破。知存科技的WTM系列芯片，在端侧AI推理场景中，能效比达到传统GPU的30倍以上，单芯片可支持语音识别、图像分类等多任务；后摩智能M50芯片则将算力密度提升至每平方毫米1TOPS，延迟较传统架构降低80%，能满足智能驾驶对实时性的严苛要求。

更具创新性的是北京大学团队研发的存算一体化排序芯片——它跳出传统排序依赖比较器的思路，创新设计出无需比较器的排序架构，在处理北京地铁路径规划等复杂任务时，数据处理效率较传统芯片提升10倍，且能耗仅为后者的1/20，让“复杂计算低功耗化”成为现实。

图片来源：豆包

这种“高能效、低延迟”的特性，让存算一体在多个场景中展现出巨大潜力。在端侧AI领域，它能让手机、智能家居设备在本地完成复杂AI运算——比如手机拍照时实时优化人像虚化效果，无需依赖云端，既保护隐私又提升响应速度；在机器人领域，存算芯片可支持机器人实时识别环境障碍物，避免传统架构因数据搬运延迟导致的反应滞后。而在边缘计算场景中，智能汽车的激光雷达、摄像头需要每秒处理海量环境数据，存算一体芯片能以低功耗实现毫秒级数据处理，为自动驾驶的安全决策提供保障。

不过，存算一体技术的普及仍需跨越认知与技术的双重门槛。一方面，需用更通俗的方式解读技术原理，避免因“存算融合”“忆阻器”等术语让普通读者望而却步；

另一方面，不同应用场景对芯片的算力、容量、成本需求差异较大，如何实现技术路线与场景的精准匹配，仍是业界需要探索的方向。

但不可否认的是，随着技术不断成熟，存算一体芯片正从实验室走向产业应用，它不仅打破了“内存墙”的束缚，更将成为AI算力的新引擎，推动智能设备向“更轻、更快、更节能”的方向发展，为零碳社会与智能生活的落地提供核心技术支撑。