标题：一文看懂“存算一体”

存算一体（Compute In Memory，CIM）是近年来备受关注的技术概念，旨在将存储与计算功能融合，以解决传统冯·诺伊曼架构中“存算分离”带来的瓶颈问题。

在冯·诺伊曼架构中，存储和计算是独立模块，数据需要在两者之间频繁传输。然而，随着数据量的爆炸式增长，尤其是人工智能（AI）对计算效率的高要求，“存储墙”和“功耗墙”问题愈发突出。“存储墙”指数据传输速度跟不上处理器计算速度；“功耗墙”则是数据搬运过程中能耗过高，制约了整体效率。例如，在7nm工艺下，数据搬运功耗占比高达63.7%。

为应对这些挑战，业界提出了存算一体技术。该技术通过减少数据搬运次数，直接在存储单元内完成部分或全部计算任务，从而提升效率并降低能耗。实际上，人类大脑就是典型的存算一体结构，神经元同时负责存储和处理信息，具有极高能效比。

存算一体的研究始于20世纪60年代，但受限于技术水平，长期停留在理论阶段。进入21世纪后，随着芯片技术进步，这一领域取得突破。例如，2016年加州大学圣塔芭芭拉分校提出基于阻变存储器（RRAM）的深度学习架构PRIME，可将功耗降低约20倍、速度提升50倍。2023年，清华大学研发出全球首颗全系统集成的忆阻器存算一体芯片，再次引发关注。

根据技术实现方式，存算一体可分为三类：近存计算（Processing Near Memory，PNM）、存内处理（Processing In Memory，PIM）和存内计算（Computing in Memory，CIM）。近存计算通过封装技术缩短存储与计算单元的距离，适合AI、大数据等场景；存内处理在芯片制造中将两者集成，适用于语音识别等领域；存内计算则彻底消除存算界限，真正实现一体化，主要服务于AI计算中的矩阵运算需求。

目前，存算一体技术在存储介质上也有多样选择，包括易失性存储器（如SRAM、DRAM）和非易失性存储器（如RRAM、MRAM）。新型存储器如RRAM因具备高密度和低功耗特性，成为研究热点。

尽管存算一体前景广阔，但仍面临技术、生态和市场挑战。技术上需突破半导体工艺限制；生态上缺乏成熟EDA工具和软件支持；市场上则需与传统架构竞争，寻找适合的落地场景。

据预测，到2029年，全球存算一体市场规模将达到306.3亿美元，年复合增长率达154.7%。随着AI、物联网等领域的快速发展，存算一体有望成为未来计算架构的重要方向，值得持续关注。