近存计算与存内计算的技术分野与现实抉择
📚 目录导读
- 引言：从“存储墙”到计算范式的革命
- 核心概念精析：近存 vs 存内
- 1 近存计算（Near-Memory Computing）
- 2 存内计算（Compute-in-Memory）
- 五大关键差异对比表
- 典型应用场景与技术路线
- 问答环节：工程师最关心的十个问题
- 未来趋势与商业落地展望
- 选型指南与深度思考
引言：从“存储墙”到计算范式的革命
随着AI大模型、边缘计算与物联网的爆发，传统冯·诺依曼架构中“计算单元与存储单元分离”的瓶颈日益凸显——也就是人们常说的“存储墙”或“内存墙”，数据传输的能耗与延迟已远高于计算本身,成为系统性能提升的最大阻力。
在这样的背景下，“近存计算”与“存内计算”作为两种突破性的计算范式，被寄予厚望，但很多人容易混淆两者——它们并非同一概念,而是分别代表了两条完全不同的技术路线。
一句话定性：
近存计算是把计算单元“搬”到存储附近,存内计算则是让存储单元本身就具备计算能力。
核心概念精析
1 近存计算（Near-Memory Computing）
定义：在物理布局上将处理器（如专用AI加速器、CPU、GPU）紧密集成到存储器附近，甚至通过3D堆叠、硅通孔（TSV）或高级封装技术，使计算单元与存储单元处于同一封装内,从而极大缩短数据搬运路径。
典型案例：
- 三星的HBM-PIM（高带宽内存+处理单元）
- AMD的3D V-Cache技术与Ryzen处理器
- 三星在ISSCC 2021上展示的“近存计算AI加速器”
核心优势：
- 较传统架构减少50%~80%的数据移动能耗
- 可直接使用成熟的CMOS工艺与DRAM/SRAM/Flash技术
- 对现有软件栈相对友好，修改成本较低
2 存内计算（Compute-in-Memory）
定义：从根本上改变存储单元的功能——每个存储单元（如SRAM单元、RRAM单元、FeFET单元等）不仅存储数据，还能同时执行乘加运算（MAC）等基本计算操作,典型实现方式是利用模拟电路中的基尔霍夫电流定律完成矩阵向量乘法。
典型案例：
- 台积电与比利时IMEC的SRAM存内计算芯片
- 国内的知存科技、闪亿科技等企业的存算一体芯片
- 基于新型非易失存储器（RRAM、PCM、MRAM）的存内计算方案
核心优势：
- 理论上可实现“零数据搬运”，能耗降低90%以上
- 极高并行度，适合神经网络推理的低功耗场景
- 突破冯·诺依曼瓶颈的根本性方案
五大关键差异对比表
| 对比维度 | 近存计算 | 存内计算 |
|---|---|---|
| 计算位置 | 存储封装内、存储芯片旁 | 存储单元内部 |
| 数据传输距离 | 毫米级（芯片内/封装内） | 纳米级（单元级） |
| 工艺依赖 | 成熟CMOS+先进封装 | 需修改存储单元结构，依赖先进半导体工艺或新型器件 |
| 软件兼容性 | 较易适配现有框架（修改驱动即可） | 需开发全新编译器与指令集，适配成本高 |
| 并行度与能效 | 中等（受限于计算单元数量） | 极高（每个存储单元均可并行运算） |
| 延迟表现 | 较传统提升2~5倍 | 可降低10倍以上 |
| 量产成熟度 | 已有商用产品（如HBM-PIM） | 仍处于研究与小批量原型阶段 |
典型应用场景与技术路线
近存计算适用场景：
- 数据中心推理加速（大模型、推荐系统）
- 高性能计算中的内存瓶颈缓解
- 高带宽视频处理与图像识别
- 对延迟敏感但数据量大的金融风控系统
存内计算适用场景：
- 超低功耗可穿戴设备（TWS耳机、智能手表）
- 物联网端侧AI推理（麦克风阵列、传感器融合）
- 医疗植入芯片（如实时心率分析）
- 芯片级AI训练的小规模反向传播
技术路线选择指南：
如果追求快速落地、兼容现有生态，近存计算是更优解。
如果追求极致能效、想彻底改变架构,存内计算是长线方向。
问答环节：工程师最关心的十个问题
Q1：存内计算真的没有数据搬运吗？
A：是“无外部数据搬运”，因为数据和计算完全在同一存储单元内完成，但单元之间依然存在局部数据共享（如列共享），因此只能说“接近为零”,而不是绝对为零。
Q2：近存计算的“近”到底有多近？
A：在封装级近存中，距离可缩短至毫米级；在3D堆叠方案中，垂直距离小于50微米，相比传统PCB级（几厘米到几十厘米），缩短了100~1000倍。
Q3：存内计算的精度损失问题如何解决？
A：模拟存内计算普遍存在噪声与非理想特性，目前常用混合精度方案——计算时用模拟方式，输出时用ADC（模数转换器）转为数字后做高精度修正,部分研究还在探索全数字存内计算方案。
Q4：近存计算是否会影响存储容量？
A：会，但影响有限，以三星HBM-PIM为例，其存储密度损失约5%~10%，因为需要在存储芯片内嵌入算力单元，但通过3D堆叠,总体积几乎不变。
Q5：哪个更适合端侧部署？
A：功耗要求极严格时存内计算占优；需要灵活性（如模型频繁更新）时近存计算更实用，目前来看,近存计算在端侧仍占主流。
Q6：两者能否共存？
A：完全可以，混合架构正在被探索——存储芯片内部采用存内计算,芯片间使用近存计算封装互联。
Q7：哪种技术更难获得EDA工具支持？
A：存内计算，由于涉及到模拟/数字混合设计、新型器件建模，传统数字EDA工具几乎不支持,需要自研仿真模型与设计工具链。
Q8：对软件开发者有什么影响？
A：近存计算只需修改驱动层、存储分配策略；存内计算需要重新编译模型，甚至引入新型神经网络算子（如加速器内MAC操作）。
Q9：目前有哪些公开发布的产品？
A：近存计算：三星HBM-PIM（2021年）、AMD 3D V-Cache（2022年）、SK海力士AiM（2023年），存内计算：知存科技WTM2101（2022年，基于SRAM）、闪亿科技闪存存算一体芯片（2023年）。
Q10：未来五年哪个会先爆发？
A：近存计算已经爆发，据Yole预测，2028年近存计算市场规模将突破200亿美元,存内计算则可能在2027年后进入消费电子市场。
未来趋势与商业落地展望
从技术成熟度曲线来看，近存计算已越过“幻灭低谷”，进入稳定爬升期；存内计算则正从“科技触发期”向“期望膨胀期”过渡。
三大关键趋势：
- 同质化竞争：存内计算的模拟精度问题正在被数字存内计算方案逐步解决。
- 异构融合：未来SoC芯片将同时集成近存与存内两种计算块，按任务灵活调度。
- 新型存储器牵引：RRAM、PCM等非易失存储器天然适合存内计算,将推动技术快速迭代。
商业落地建议：
- 企业若想即刻获得能效收益，优先选择HBM-PIM或SmartNIC（智能网络接口卡）这类近存方案。
- 若要构建护城河，应布局存内计算专利池，尤其是在AI推理、传感器融合领域。
选型指南与深度思考
无论是“近存”还是“存内”，其本质都是对数据搬运成本的极限压缩，两者的核心区别不在于“哪个更好”，而在于“哪个阶段更适合”。
- 追求短期实效：近存计算是更成熟、更稳妥的选择。
- 着眼长期颠覆：存内计算代表着架构的根本变革,值得持续跟进。
对于技术决策者而言，不存在“唯一正确的范式”，在一个高度分化的AI芯片市场中，理解这两条路径的交叉与分野,比单纯支持某一端更为重要。
最后建议：如果你正在设计下一代边缘AI芯片，可以尝试“近存+存内”的混合方案——用近存处理大流量、高精度任务，用存内处理极低功耗的唤醒型推理，这才是真正意义上的“鱼与熊掌兼得”。
（本文综合参考了三星、英特尔、台积电、IMEC、亚利桑那州立大学等机构的技术白皮书，以及《Nature Electronics》《IEEE Micro》等期刊的相关综述，并经过搜索引擎已有文章的整合与深度重构。）
