存算一体（PIM）
一、一句话回答
存算一体（PIM，Processing-in-Memory，也称近存计算/存内计算）是一类试图从架构上绕开「内存墙」的芯片思路。现代 AI 芯片在做大量计算时，一个越来越突出的矛盾是：真正花在运算上的能耗和时间，往往不如把数据在处理器与内存之间来回搬运来得多——算力越来越强，但供数跟不上，这就是所谓的内存墙（memory wall）。存算一体的核心想法是：既然数据就在存储里，干脆把计算单元直接放到存储阵列内部或紧邻存储的位置，让数据不用长途搬运就完成运算。深度学习最主要的计算是大规模矩阵乘加（大量乘法与加法的累加），而存储阵列天然适合并行完成这类运算，因此 PIM 在理论上能带来很高的能效比。它大致有两条技术路线：一条是基于 SRAM、DRAM 等成熟存储器的数字式近存/存内计算，工程上相对可控，例如三星曾在 HBM 内部集成 AI 计算引擎提出 HBM-PIM；另一条是利用 RRAM（阻变存储）、MRAM 等新型非易失器件做模拟存内计算，直接利用存储单元的物理特性（如欧姆定律、电荷累加）完成乘加，能效潜力大但精度、器件一致性和量产挑战也更大。代表玩家包括海外的 Mythic（模拟存算）、三星，以及中国的知存科技、后摩智能、千芯科技等。总体上，PIM 在特定的低功耗、边缘推理场景已有早期商用，但在精度保证、编程模型、工具链和大规模落地、与主流 GPU 生态竞争等方面仍有明显挑战。
为什么 PIM 值得关注。当制程红利变贵、内存墙成为主要瓶颈，改变「计算与存储分离」的传统架构，是提升 AI 能效可能的一条换道路线。
二、内存墙与两条技术路线
理解 PIM 要先理解内存墙。处理器与内存长期按「摩尔定律」各自演进，但二者速度提升并不同步，加上算力需求暴涨，系统越来越多时间和能量消耗在数据搬运与等待上。对矩阵运算密集的神经网络，这一矛盾尤其尖锐。PIM 把计算下沉，正是对这一架构瓶颈的回应。
| 路线 | 载体 | 特点 |
|---|---|---|
| 数字近存/存内 | SRAM/DRAM | 工艺成熟、精度可控、工程风险较低 |
| 模拟存内 | RRAM/MRAM 等新器件 | 借物理定律做乘加、能效高、精度与一致性难 |
模拟存内计算的原理很巧妙：让存储单元的电导表示权重，用输入电压表示激励，根据欧姆定律和基尔霍夫定律，在阵列上一次性完成大量乘法和电流累加，等效于一次矩阵向量乘。但模拟计算会受到器件波动、噪声、温度和量化精度影响，要把计算结果做到神经网络可接受的准确度，并保证大规模阵列里每个器件行为一致，工程难度很高。
三、玩家、场景与落地挑战
PIM 当前最现实的落点是能效比极其敏感、算力规模适中的边缘推理：例如智能传感器、可穿戴、电池供电设备、语音/视觉唤醒与轻量推理等场景，用较低功耗完成固定神经网络任务。而在数据中心，主流仍是 GPU 及高带宽内存方案，PIM 多以研究、小规模集成或特定加速模块的形式探索。
- 国际玩家：三星推进 HBM-PIM，在内存中加入计算能力；Mythic 等创业公司走模拟存算路线（该类公司商业化波动较大）。
- 中国力量：知存科技（RISC-V 存算一体 SoC）、后摩智能（智能驾驶/大模型端侧）、千芯科技等，是国内存算一体创业的代表。
- 核心挑战：计算精度与可重复性、对不同模型的灵活可编程性、编译器与软件工具链、新型存储器件量产良率，以及如何与成熟 GPU/加速器生态竞争。
节点速览：技术 / 玩家 / 成熟度 / 预期
数据截止 2026-09。标尺说明见 AI 产业链总览。
| 象限 | 要点 |
|---|---|
| 关键技术 | ① 数字近存计算（TRL-3）② RRAM 模拟存内计算（TRL-2~3）③ HBM 内集成计算（TRL-2） |
| 主要玩家 | 三星、Mythic；中国：知存科技、后摩智能、千芯科技等 |
| 做到什么程度 | 边缘低功耗场景早期商用，数据中心仍处探索，生态未成规模 |
| 后续预期 | 6 个月：边缘存算芯片继续小批量落地（中）；18 个月：特定端侧大模型场景扩大（中）；36 个月：能否进入主流仍不确定（低） |
常见误区
- 把存算一体当成又一种 GPU：它是架构范式创新，强在能效而非通用算力。
- 以为能效高就一定能普及：精度、可编程性和工具链、生态同样决定成败。
- 忽视模拟器件的一致性难题：物理计算虽优雅，但量产稳定性是硬挑战。
- 认为它会很快替代主流数据中心芯片：短期现实空间主要在边缘和特定加速。
总结
存算一体把计算单元放进存储内部或近旁，用减少数据搬运的方式正面回应 AI 芯片的内存墙，在矩阵乘加上具备突出的能效潜力；它分基于 SRAM/DRAM 的数字路线和基于 RRAM 等新器件的模拟路线，三星、Mythic 以及知存、后摩、千芯等在推进，目前主要在低功耗边缘场景早期商用；精度、可编程性、工具链和量产一致性仍制约其走向主流——它代表了在制程红利趋贵背景下，从计算架构本身寻找效率突破的一条值得关注、但尚未定型的路线。