第二章：核心原理——计算与存储的物理融合

各位同学，欢迎来到第二章。这一章我们要聊的，是存算一体最核心、最硬核的部分。说白了，就是搞清楚“计算”和“存储”这两个原本分家的东西，到底是怎么揉到一起的。

我刚开始接触这个领域时，也觉得很玄乎。但后来在项目中踩过几次坑，才真正理解——这不仅仅是换个架构，而是从物理层面重新思考数据的流动方式。你想想看，传统芯片里，数据从存储单元搬到计算单元，路上花的时间比真正干活的时间还长，这合理吗？

2.1 物理融合：从“搬数据”到“原地计算”

传统架构里，计算和存储是两栋楼。CPU/GPU是计算楼，DRAM/SRAM是存储楼。数据要来回搬运，这就是所谓的“冯·诺依曼瓶颈”。

存算一体的核心思路，就是把这栋楼拆了，把计算单元直接塞进存储单元里。嗯，这里要注意，不是简单的“放得近一点”，而是物理上的融合。

我在项目中遇到过一种情况：用近存计算做AI推理，带宽确实上去了，但延迟还是不够理想。后来换成存内计算，才真正把数据搬移的功耗降下来。说白了，近存是“把邻居叫到门口”，存内是“直接在邻居家干活”。

2.2 近存计算 vs 存内计算：一张表说清楚

很多初学者容易混淆这两个概念。我建议你记住这张表：

维度	近存计算	存内计算
物理距离	计算与存储封装在一起，但die分离	计算与存储完全融合在同一单元
数据搬运	仍需通过TSV/Interposer搬运	数据在存储阵列内部流动
延迟	纳秒级（比传统好，但仍有开销）	皮秒级（几乎无搬运开销）
功耗	降低30%-50%	降低80%-90%
工艺成熟度	较成熟（HBM、3D堆叠）	尚在研发/早期量产
典型应用	高性能计算、AI训练	边缘AI、低功耗推理

为什么会这样？因为近存计算本质上还是“搬数据”，只是搬的距离变短了。而存内计算是“数据不动，计算动”。你想想看，这就像你去图书馆查资料——近存是图书馆就在隔壁，走过去很快；存内是书自己会翻页给你看。

2.3 模拟 vs 数字存算一体：两种技术路线

接下来是另一个关键分岔路：模拟存算一体和数字存算一体。我当年在这个选择上纠结了很久，最后两个方向都做过项目。这里把我的经验分享给你。

2.3.1 模拟存算一体

模拟存算一体，说白了就是利用物理定律直接做计算。比如用电阻的欧姆定律做乘法，用基尔霍夫电流定律做加法。最典型的例子就是基于RRAM（忆阻器）的交叉阵列。

我记得有一次做原型验证，用模拟存算一体做矩阵乘法，功耗低得惊人——只有传统数字方案的十分之一。但代价是什么？精度和噪声问题。

模拟存算一体的核心优势：

• 极致能效（每瓦性能极高）
• 天然支持并行计算（阵列结构）
• 适合低精度推理（INT4/INT2）

核心劣势：

• 精度受限（ADC/DAC转换开销）
• 工艺偏差敏感
• 难以支持高精度训练

2.3.2 数字存算一体

数字存算一体，则是用数字逻辑（比如加法器、乘法器）嵌入到存储阵列中。每个存储单元旁边放一个小型ALU，数据不用搬出去，直接在本地算完。

我建议你理解成：把SRAM阵列改造成一个巨大的SIMD处理器。每个存储行都是一个处理单元，可以同时做几百个加法或乘法。

数字方案的优势很明显：

• 精度可控（支持FP32/INT8）
• 工艺兼容性好（标准CMOS工艺）
• 设计流程成熟（数字EDA工具链）

但代价是什么？面积和功耗。每个存储单元旁边加数字逻辑，芯片面积会增大30%-50%。

2.4 核心逻辑：一张图看懂

下面我用一张SVG图，把本章的核心知识体系串起来。这张图我画了很多遍，希望能帮你建立整体认知。

2.5 总结与思考

这一章我们讲了三个核心问题：

1. 物理融合——把计算塞进存储里，从根源上解决数据搬运问题。
2. 近存 vs 存内——近存是“缩短距离”，存内是“消除距离”。两者各有适用场景。
3. 模拟 vs 数字——模拟追求极致能效，数字追求精度和可靠性。没有绝对的好坏，只有适合不适合。

我个人觉得，理解这些区别的关键，是记住一句话：数据不动，计算动。这是存算一体区别于传统架构的根本逻辑。

好了，这一章就到这里。下一章我们会深入具体的实现技术，比如RRAM、SRAM、Flash这些存储器件是怎么做计算的。到时候我会拿实际项目的波形图和测试数据给你看，保证比干讲理论有意思得多。

想要更多资料，联系可可