冯·诺依曼架构下，数据要在存储器和处理器之间来回搬运。对 AI 推理这种"参数多、计算密"的负载，数据搬运消耗的能量和时间常常超过计算本身。存算一体（Computing-in-Memory，CIM）就是冲着这个瓶颈来的：让存储单元直接参与计算，省掉反复搬运。

## CIM 的基本原理

传统做法是：权重存在内存里，计算时读出来送到乘加单元，算完再写回去。存算一体的思路是反过来的：把权重"钉"在存储阵列里，输入数据以电压形式加到阵列上，利用物理定律（比如欧姆定律和基尔霍夫电流定律）在阵列内部直接完成矩阵乘加，结果以电流或电荷形式读出。

这样做的好处很直观：权重不需要反复读取，数据搬运大幅减少，能效比可以显著提升。这对边缘推理、 always-on 的感知类应用特别有吸引力——功耗预算只有毫瓦级的地方，每一点能效都很珍贵。

## 模拟与数字两条路线

- **模拟存算**：用阻变存储器（RRAM）、相变存储器（PCM）等新型器件的电导值表示权重，在模拟域完成计算。能效潜力最大，但面临器件非理想性（漂移、噪声、良率）的挑战。
- **数字存算**：在 SRAM 阵列里嵌入简单的数字逻辑，仍在数字域计算。精度和可靠性接近传统数字电路，代价是能效提升幅度不如模拟路线。

学术界和产业界两条路线都在推进，模拟路线偏前沿探索，数字存算路线已经有相对成熟的 IP 和小规模产品。

## 当前落地的卡点

**精度**：神经网络对量化有一定容忍度，但模拟器件的噪声和漂移会吃掉这部分裕量。如何保证在真实器件上跑出可接受的精度，是首要工程问题。

**规模**：实验室演示多是小规模阵列，放大到实用网络的尺寸后，阵列划分、片间通信、良率都会带来新问题。大模型的权重规模对 CIM 阵列容量是硬约束。

**软件栈**：这是最容易被低估的一环。再好的芯片，没有好用的编译器、量化工具链和模型适配流程，算法工程师就用不起来。存算架构的映射、切分、精度仿真都需要专门的工具支持，生态成熟度远不如 GPU。

## 理性看待

存算一体是真实的技术方向，能效优势有物理基础，但离"替代 GPU"还差得很远。更现实的路径是：在功耗敏感的特定场景（端侧感知、小模型推理）先落地，用产品迭代反哺技术成熟度。对从业者来说，值得跟踪器件进展和工具链生态，而不是只看峰值能效数字。