摘要：当摩尔定律放缓、冯·诺依曼架构的“内存墙”成为AI推理的瓶颈，存算一体和模拟计算正在成为嵌入式AI的新方向。2026年，多家芯片厂商和研究机构在存算一体领域取得进展。本文从技术原理、产业进展和工程挑战三个维度，分析存算一体与模拟计算的落地路径。
一、内存墙：冯·诺依曼架构的瓶颈
传统冯·诺依曼架构将计算和存储分离。CPU/GPU从内存读取数据，计算后再写回内存。这个架构在AI推理中遇到严重瓶颈。
AI推理的核心操作是矩阵乘法，需要频繁访问权重和激活值。数据在计算单元和内存之间的搬运，消耗了大量的时间和能量。业界称之为“内存墙”。
对于嵌入式AI而言，内存墙的影响更加严重。嵌入式设备的功耗预算有限，数据搬运的能耗往往超过计算本身的能耗。边缘AI芯片的能效瓶颈，很大程度上来自数据搬运。
存算一体（Compute-in-Memory, CIM）将计算单元嵌入存储阵列中，在数据存储的位置直接完成计算，消除数据搬运的开销。模拟计算则利用存储单元的模拟特性（如电阻、电荷）直接完成乘加运算，进一步提高能效。
二、技术路线：SRAM、RRAM与模拟计算
存算一体的技术路线主要分为三类。
SRAM存算一体。在SRAM阵列中嵌入计算逻辑，支持数字或模拟计算。SRAM的工艺成熟，与逻辑工艺兼容，适合中小规模的存算一体。缺点是SRAM的存储密度较低，不适合大容量模型。
RRAM存算一体。利用阻变存储器（RRAM）的电阻特性，在存储阵列中直接完成模拟乘加运算。RRAM的存储密度高，适合大规模神经网络。缺点是RRAM的器件一致性、耐久性和良率仍在完善中。
模拟计算。利用模拟电路直接完成矩阵运算。模拟计算的优势是能效极高，但精度受限于器件噪声和工艺偏差。适合对精度要求不高的AI推理任务。
2026年，学术界和产业界在存算一体领域持续投入。IEEE ISCAS、ISSCC等会议上有大量存算一体芯片的论文。部分研究已经展示出在能效上相比传统架构数倍甚至数十倍的提升。
三、产业进展：从实验室到产品
存算一体的产业化正在从实验室走向产品。
学术研究。多所大学和研究机构在存算一体芯片上取得进展。基于RRAM的存算一体加速器在图像分类、关键词识别等任务上展示了可行性。模拟计算芯片在低精度AI推理场景中表现出色。
芯片厂商。部分芯片厂商开始探索存算一体在边缘AI中的应用。初创公司如Mythic、Syntiant等专注于模拟计算和存算一体芯片。传统MCU厂商也在评估将存算一体集成到下一代产品中的可行性。
嵌入式场景。存算一体的高能效特性，使其特别适合电池供电的边缘AI设备。关键词唤醒、手势识别、异常检测等轻量级AI任务，是存算一体的潜在应用场景。
四、工程挑战：精度、可靠性与工具链
存算一体的工程化面临多重挑战。
精度问题。模拟计算的精度受限于器件噪声、工艺偏差和温度漂移。对于需要高精度的AI任务，模拟计算的精度可能不足。数字存算一体可以保证精度，但能效优势不如模拟方案。
可靠性问题。RRAM等新型存储器的耐久性和数据保持能力仍在验证中。嵌入式设备通常需要十年以上的生命周期，新型存储器的长期可靠性需要时间验证。
工具链缺失。存算一体芯片的编程模型和工具链仍在早期阶段。如何将训练好的神经网络映射到存算一体阵列上，如何量化模型以适应模拟计算的精度限制，这些问题需要新的工具链支持。
成本与良率。存算一体芯片的制造成本和良率，是决定其能否规模量产的关键因素。新型存储器的工艺成熟度直接影响芯片的成本。
五、对嵌入式工程师的影响
第一，关注存算一体的技术进展。存算一体是嵌入式AI的潜在方向。嵌入式工程师需要关注这一领域的技术突破和产品化进展。
第二，理解模拟计算的精度约束。模拟计算的精度与数字计算有本质区别。嵌入式工程师需要理解量化、噪声和工艺偏差对AI推理精度的影响。
第三，掌握新型存储器的特性。RRAM、MRAM等新型存储器的读写特性、耐久性和数据保持能力，与传统Flash和SRAM不同。嵌入式工程师需要理解这些特性对系统设计的影响。
第四，保持对传统架构的优化能力。存算一体仍在早期阶段。在存算一体成熟之前，嵌入式工程师仍需要优化传统架构下的AI推理，包括模型压缩、内存布局优化和DMA调度。
六、总结
存算一体和模拟计算是嵌入式AI的下一站。它们有望打破冯·诺依曼架构的内存墙，大幅提升边缘AI的能效。但精度、可靠性和工具链的挑战，决定了这一技术的产业化仍需时间。
对于嵌入式工程师而言，存算一体是一个值得长期关注的方向。在技术成熟之前，优化传统架构下的AI推理仍然是核心能力。
