存储器能直接做计算？揭秘“存算一体”如何颠覆冯·诺依曼架构
目录导读
- 为什么传统存储器不能直接计算？——冯·诺依曼瓶颈的根源
- “存算一体”是什么？——打破数据搬运魔咒的核心原理
- 三大主流技术路径：阻变存储器、闪存计算、近存计算
- 真实案例：从实验室到芯片，谁在落地？
- 应用场景：AI推理、边缘计算、物联网的降维打击
- 常见问题解答：延迟、能耗、成本，你关心的问题都在这里
为什么传统存储器不能直接计算？
如果你打开一台计算机,会看到清晰的“功能分区”：CPU负责计算，内存和硬盘负责存储，数据先被“搬”到CPU，算完再“搬”回去，这就是冯·诺依曼架构的经典模式。
问题就出在“搬运”上：数据搬运的速度远低于CPU的计算速度，这个差距被称为“内存墙”，执行一次加法，CPU只需1纳秒，但去DRAM（动态随机存取存储器）取数据可能花100纳秒，更糟的是，AI大模型需要反复搬运海量参数，90%的时间和能耗都浪费在数据移动上，真正计算的时间不到10%。
传统的存储器（DRAM、NAND闪存、HDD）被设计为纯粹的存储工具，它们只能读或写，无法在数据存放的位置完成逻辑运算，就像一座图书馆只允许借书，但禁止在书架上做笔记——你必须把书搬到书桌上才能阅读和批注。
如果能让存储器“边存边算”，岂不是能消灭搬运开销？这正是“存算一体”的核心理念。
“存算一体”是什么？
存算一体（Computational Storage 或 In-Memory Computing） 是一种新型计算范式，它允许数据在存储器内部就被处理，无需频繁移动到CPU，这相当于在图书馆的书架旁直接放了一张书桌，你可以在书架位置直接翻阅、批注、甚至整理书籍。
技术本质：利用存储介质的物理特性（如电阻变化、电流响应）来完成布尔逻辑或矩阵乘法，在RRAM（阻变存储器）中，存储单元的电阻值可以表示“0”和“1”，而通过控制电压，这些电阻单元天生就能实现“乘法”或“累加”运算。
关键突破：将计算单元（如加法器、乘法器）嵌入到存储阵列中，使得每个存储单元都具备“存储+计算”双重能力。
三大主流技术路径
| 技术路径 | 代表器件 | 工作原理 | 成熟度 |
|---|---|---|---|
| 存内计算 | RRAM、PCM | 利用电阻开关效应执行逻辑运算 | 实验室—早期量产 |
| 闪存计算 | NAND Flash | 通过电荷泵和模拟电路在闪存内完成矩阵向量乘法 | 已有商用原型 |
| 近存计算 | HBM（高带宽存储器） | 在逻辑芯片上堆叠存储芯片，缩短搬运距离 | 大规模商用（如HBM2E） |
阻变存储器：在单个RRAM单元中，通过施加不同电压改变其电阻状态，从而执行“与非（NAND）”或“异或（XOR）”等逻辑，2019年，三星展示了基于RRAM的“存算一体芯片”，可在存储器内直接运行神经网络推理。
闪存计算：基于成熟的NAND Flash工艺，通过修改存储阵列的外围电路，让每个存储单元的电流代表权重，实现“模拟计算”，初创公司Mythic的AI芯片，将神经网络权重存放在闪存中，数据在闪存内完成乘积累加（MAC），功耗降低至传统方案的1/10。
近存计算：这是最务实的过渡方案，将计算逻辑（如矩阵乘法器）紧贴高带宽存储器（HBM）或HMC（混合存储立方体）放置，NVIDIA的Grace Hopper超级芯片就采用了这种架构，GPU与HBM之间的带宽高达900GB/s，减少了数据搬运延迟。
真实案例：谁在落地存算一体？
- SK海力士：2022年展示了首个基于GDDR6的“近存计算”芯片，内置AI推理加速器，可用于边缘设备。
- 三星：在ISSCC 2023上展示了基于MRAM的存算一体芯片，能效比达到0.5TOPS/W，适合可穿戴设备。
- Semidynamics：推出了一款“计算内存”IP核，允许客户将自定义逻辑集成到DRAM中，用于数据库加速。
- 国内团队：中科院微电子所开发了基于RRAM的“忆阻器阵列”，在图像识别任务中能效提升1000倍。
应用场景：哪些领域最先受益？
- AI推理：语音识别、图像分类等任务需要大量矩阵乘法，存算一体芯片将权重存储在本地，避免I/O瓶颈，推理延迟从毫秒级降至微秒级。
- 边缘计算：智能门锁、穿戴设备对能耗敏感，存算一体芯片无需单独的内存芯片，体积更小、功耗更低。
- 数据库与大数据：在数据库索引、哈希表查找场景中，将搜索逻辑嵌入内存，省去CPU轮询时间，查询速度提升10-100倍。
- 自动驾驶：需要实时处理雷达、摄像头数据，存算一体可减少数据搬运，提升系统响应速度。
常见问题解答
Q1：存算一体是否意味着不需要CPU了？ A：短期内不可能，存算一体更适合特定计算模式（如向量运算、神经网络），而复杂控制流、分支判断仍需CPU，未来可能是“CPU+存算一体加速器”的异构架构。
Q2：存储器的物理限制会不会导致计算错误？ A：会，RRAM的电阻状态受温度、老化影响，可能导致计算结果漂移，目前通过纠错码和冗余校准来解决，但成本仍需平衡。
Q3：与GPU相比，存算一体优势在哪里？ A：对于AI推理，存算一体功耗可降低10-100倍，但绝对计算速度仍低于GPU，它适合电池供电的边缘设备，而非训练大规模模型的数据中心。
Q4：何时能普及到普通电脑？ A：预计3-5年内，高端手机和边缘AI终端将率先采用，PC端受制于兼容性和成本，可能需要更长时间。
存储器直接做计算不再是科幻,以RRAM、闪存计算、近存计算为代表的存算一体技术，正逐步击穿“内存墙”，为AI、物联网带来能效革命，虽然仍需解决可靠性、成本问题，但它已经上路，并在特定场景中展示了“降维打击”式的优势。
下一次打开电脑时，不妨想想： 如果存储器不仅能存，还能在它所在的位置直接“想”，计算世界会怎样？
