摘要：存算一体正在从学术研究走向嵌入式落地。SK海力士联合研发的忆阻器AI芯片采用嵌入式RISC-V处理器调度任务，理论峰值约2.54 TOPS。elexcon2026将新型存储技术列为六大核心方向之一。本文从技术路线、工程特性和应用场景三个维度，分析存算一体与新型存储在嵌入式系统中的落地路径。
一、内存墙：嵌入式AI的能效瓶颈
传统冯·诺依曼架构将计算和存储分离。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。
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直接完成乘加运算，进一步提高能效。
二、技术路线：SRAM、RRAM与忆阻器
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。
忆阻器存算一体。SK海力士联合研发的忆阻器AI芯片采用嵌入式RISC-V处理器调度任务，理论峰值约2.54 TOPS。忆阻器的优势是存储密度极高，适合大规模神经网络的部署。缺点是制造工艺仍在早期阶段。
三、工程特性：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。
四、应用场景：哪些任务适合存算一体
存算一体的高能效特性，使其特别适合特定的嵌入式场景。
关键词唤醒。语音唤醒词识别需要持续运行，功耗极低。存算一体的高能效特性使其成为关键词唤醒的理想方案。
手势识别。可穿戴设备的手势识别需要低功耗和实时性。存算一体可以在传感器端完成推理，避免数据搬运。
异常检测。工业设备的振动异常检测需要持续运行。存算一体的高能效特性使其适合长期部署的工业传感器。
图像分类。低分辨率的图像分类任务可以在存算一体芯片上运行。对于需要高精度的图像识别任务，传统NPU方案可能更合适。
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
存算一体正在从学术研究走向嵌入式落地。SRAM、RRAM和忆阻器代表了三条不同的技术路线，各有适用场景。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。
