隨著物聯網、移動設備和智能終端的爆發式增長，人工智能正加速從云端向邊緣和終端遷移。在這一趨勢下，傳統以計算為中心的馮·諾依曼架構，因數據在處理器與存儲器之間頻繁移動而產生的“內存墻”和“功耗墻”問題日益凸顯。端側智能存算一體芯片，作為突破這一瓶頸的關鍵技術路徑，正成為學術界與產業界關注的焦點。它旨在將數據處理與存儲深度融合，直接在存儲器內部或附近完成計算，從而開啟高效、低功耗的智能計算新范式。
一、核心需求：為何需要端側存算一體？
- 實時性與低延遲：自動駕駛、工業質檢、AR/VR等應用要求毫秒甚至微秒級的實時響應。傳統架構中數據往返于內存與CPU/GPU的延遲無法滿足需求，存算一體通過近數據計算極大縮短了數據搬運路徑。
- 能效比至上：終端設備受電池續航和散熱限制，對功耗極為敏感。數據搬運的能耗遠高于計算本身，存算一體能顯著減少數據移動，是實現超低功耗AI推理的關鍵。
- 隱私與安全：在終端本地完成數據處理，避免了敏感數據上傳至云端，降低了數據泄露風險，符合日益嚴格的數據隱私法規要求。
- 帶寬壓力緩解：高分辨率傳感器（如攝像頭）產生的海量數據對芯片內部和外部總線帶寬構成巨大壓力。存算一體通過就地處理，減輕了帶寬負擔。
二、發展現狀：從探索走向初步落地
當前，端側存算一體芯片的發展呈現多元技術路徑并進的局面：
- 技術路線：主要分為數字存算一體（基于SRAM、DRAM等傳統存儲器，采用數字電路實現乘累加運算）和模擬存算一體（利用非易失性存儲器如RRAM、PCM、MRAM的物理特性，如電阻值，直接進行模擬域計算）。前者設計相對成熟，易于集成；后者在能效和密度上潛力巨大，但面臨工藝、精度等挑戰。
- 研發與產品化：學術界已有大量原型芯片驗證，展示了數十到數百倍的能效提升。產業界，如知存科技、九天睿芯等初創公司，以及英特爾、三星等巨頭，均已推出或正在研發針對語音識別、圖像處理等特定場景的存算一體芯片或IP，部分已進入商用試點階段。
- 應用聚焦：目前主要瞄準輕量級神經網絡推理任務，如關鍵字檢測、圖像分類、手勢識別等，在智能耳機、手機、攝像頭、可穿戴設備中展現應用前景。
三、嚴峻挑戰：通往大規模應用之路
盡管前景廣闊，端側存算一體芯片仍面臨一系列核心挑戰：
- 精度與可靠性：尤其是模擬存算一體，受器件非理想特性（如漲落、非線性）影響，計算精度難以達到傳統數字處理器的水平，制約了其在復雜模型中的應用。
- 工藝與制造成本：新型非易失存儲器與標準CMOS工藝的集成難度大，良率控制和制造成本高昂，是產業化的主要障礙。
- 設計工具與生態缺失：完全缺乏像傳統EDA那樣的成熟設計工具鏈、編譯器、編程模型和軟件生態，開發門檻極高。
- 靈活性不足：現有存算一體架構多為特定算法（如CNN）優化，通用性和可編程性較弱，難以適應快速演進的AI算法。
- 測試與驗證難題：尤其是模擬計算，其測試方法和標準尚未建立，驗證復雜度高。
四、數據處理與存儲的范式變革
存算一體芯片的核心在于對數據處理與存儲關系的重構：
- 從“存儲-搬運-計算”到“在存儲中計算”：計算單元深度嵌入存儲陣列（如內存單元本身成為計算基元），或與存儲單元緊耦合，實現了真正的“數據不動計算動”或“計算不動數據動”。
- 數據流重構：計算以數據為中心進行組織，特別適合神經網絡中大量的乘累加并行運算，實現了極高的計算并行度和數據復用率。
- 存儲介質即算力：不同的存儲技術（如RRAM的高密度、低功耗，SRAM的高速度）決定了不同的計算特性和適用場景，存儲器的選擇成為芯片架構定義的核心。
- 層次化智能存儲：未來可能出現在芯片內集成不同特性的存算一體模塊，形成層次化處理結構，智能地分配和調度任務，實現能效與性能的最優平衡。
端側智能存算一體芯片是應對后摩爾時代計算能效危機的革命性探索。它深刻契合了邊緣智能對實時、低功耗、高隱私的剛性需求。雖然目前仍在精度、生態、成本等挑戰中攻堅，但其在特定場景的成功應用已證明了技術路線的可行性。隨著材料、器件、架構和工具鏈的持續突破，存算一體有望從專用加速器向更通用的智能計算平臺演進，最終成為賦能萬物智能感知與決策的底層基石，推動人工智能在終端側的無縫融合與普惠發展。
