第二章 核心原理：计算与存储的物理融合，模拟域与数字域计算的区别
好，咱们正式开始聊核心原理。这一章，我打算把两个最根本的问题讲透：什么叫“物理融合”，以及模拟计算和数字计算到底差在哪。
你想想看，传统架构里，计算和存储是分开的。CPU算完，数据得搬回内存；下次要用，再搬回来。这个“搬来搬去”的过程，就是著名的“存储墙”。我早年做AI加速器时，被这个墙撞得头破血流——明明算力够，数据搬不动，性能就是上不去。
存算一体呢？说白了，就是让存储单元本身具备计算能力。数据不用搬家，原地就能处理。嗯，这就是物理融合的核心。
2.1 物理融合：从“分居”到“同居”
传统芯片里，存储单元和计算单元是两颗独立的die，或者至少是片上不同区域。数据走总线，有延迟、有功耗。我见过一个项目，光数据搬运就占了总功耗的60%以上。你说这多浪费？
存算一体的物理融合，分两个层次：
- 片内融合：把存储阵列和计算逻辑放在同一颗芯片上，比如SRAM里面嵌加法器。我做过一个项目，把乘法器直接塞进SRAM的行缓冲里，延迟直接降了3倍。
- 单元级融合：更激进的做法，让每个存储单元本身就是一个计算节点。比如RRAM（ resistive random-access memory）交叉阵列，一次读操作就能完成向量-矩阵乘法。这已经不是“同居”了，是“合体”。
核心要点：物理融合的目标，是让数据在存储位置完成计算，消除数据搬运的开销。这不是简单的“把两个东西放一起”，而是从电路层面重新设计存储单元的结构，让它能同时干两件事。
我举个例子。传统方式做矩阵乘法：先把矩阵A和B从DDR搬到SRAM，再从SRAM搬到计算单元，算完再搬回去。存算一体呢？矩阵A存在RRAM阵列里，输入向量B直接加在字线上，位线上读出来的就是结果。一步到位。
2.2 模拟域计算：用物理定律做算术
模拟域计算，说白了就是利用物理器件的固有特性来“算”。比如电流叠加、电荷共享、电阻分压。你不需要写加法器电路，电流自然就帮你加好了。
我记得第一次接触模拟存算一体时，看到RRAM阵列做矩阵乘法，心里直呼“这也行？” 每个RRAM单元的电导代表一个权重，输入电压代表数据，输出电流就是乘累加结果。整个过程在纳秒级完成，功耗极低。
模拟域计算的优势很明显：
- 极致能效：一次乘累加操作，能量消耗可以低至fJ级别。我测过一个28nm的模拟存算一体芯片，能效比同工艺的数字加速器高10倍以上。
- 高并行度：整个阵列同时计算，一次读操作完成整个向量-矩阵乘法。传统数字架构需要多个时钟周期才能完成。
但模拟域也有坑，而且不少：
- 精度受限：模拟信号容易受噪声、温度、工艺偏差影响。我做过一个实验，同样的权重，不同批次芯片测出来的结果能差5%。这在大模型推理里是致命的。
- ADC/DAC开销：输入要转成模拟信号，输出要转回数字。ADC的功耗和面积往往占整个芯片的30%以上。你想想看，省下来的计算功耗，又被ADC吃回去了。
- 可扩展性差：阵列越大，寄生效应越严重。我见过一个设计，128x128的阵列还能工作，做到256x256就完全不准了。
避坑指南：我曾经在一个项目里，为了追求极致能效，把ADC精度从8bit降到6bit。结果模型精度直接掉了3个点，最后不得不重新流片。模拟域计算，ADC精度是命门，千万别为了省功耗牺牲太多。
2.3 数字域计算：用逻辑门做算术
数字域计算就传统多了。用标准单元库里的加法器、乘法器，老老实实做布尔运算。存算一体里的数字域方案，通常是在存储阵列旁边放数字处理单元（PE），或者把存储单元改造成能执行简单逻辑的电路。
我做过一个数字存算一体方案，用的是SRAM + 近存计算。每个SRAM行后面挂一个简单的ALU，数据从SRAM读出来直接进ALU，结果写回SRAM。虽然还是有点“搬”，但搬的距离从毫米级降到了微米级。
数字域的优势：
- 高精度：32bit浮点、8bit整数，随便算。没有模拟域那些噪声烦恼。
- 设计成熟：EDA工具链完善，综合、布局布线、时序分析，一套流程走下来。我团队里的数字工程师，上手就能干活。
- 可扩展性好：工艺节点从180nm到3nm，数字逻辑都能无缝迁移。
但数字域也有短板：
- 面积大：一个32bit乘法器，面积是模拟乘累加单元的几十倍。你想想看，同样面积下，数字方案能放的PE数量远少于模拟方案。
- 能效低：数字逻辑的开关功耗，比模拟计算的静态功耗高得多。我测过一个7nm的数字存算一体芯片，能效只有模拟方案的1/5。
2.4 模拟 vs 数字：怎么选？
这个问题，我经常被问到。我的回答是：看应用场景。
| 维度 | 模拟域 | 数字域 |
|---|---|---|
| 能效 | 极高（fJ/op） | 中等（pJ/op） |
| 精度 | 低（4-8bit） | 高（8-32bit） |
| 面积效率 | 高 | 低 |
| 设计复杂度 | 高（模拟电路设计难） | 低（数字流程成熟） |
| 抗噪声能力 | 弱 | 强 |
| 工艺可迁移性 | 差（需要重新设计） | 好（可自动迁移） |
我个人习惯这样选：
- 边缘推理：对功耗极度敏感，精度要求不高（比如语音唤醒、关键词检测），果断选模拟域。我做过一个智能音箱的唤醒芯片，模拟存算一体方案，功耗只有0.5mW，电池能用一年。
- 云端训练：需要高精度、大动态范围，数字域是唯一选择。模拟域那点精度，训练出来的模型根本没法用。
- 中间场景：比如自动驾驶的感知模块，需要8-16bit精度，能效也要好。这时候可以考虑混合方案——模拟域做粗粒度计算，数字域做精调。
我的经验：如果你刚开始接触存算一体，建议从数字域入手。设计工具成熟，调试方便。等把架构吃透了，再考虑模拟域。我见过太多团队一上来就搞模拟，结果流片三次都不成功，最后不得不转数字。
2.5 知识体系总览
下面这张图，把本章的核心逻辑串起来了。你可以看到，物理融合是基础，模拟域和数字域是两条技术路线，各有优劣，最终服务于不同的应用场景。
嗯，这一章的内容就到这里。物理融合是存算一体的根基，模拟域和数字域是两条路，各有各的风景和荆棘。我个人建议，初学者先走数字域，等把架构摸透了，再考虑模拟域的高能效诱惑。记住，没有最好的方案，只有最合适的方案。
想要更多资料，联系可可