报道指出，近年来，众多企业纷纷涌入存算一体这一技术赛道，该技术已从实验室走向商用化阶段。
从当前入局的企业来看，技术路线分化较为明显。有的企业选择不同类型的存储器，有的从中小算力场景切入，有的则直接挑战大算力存算一体芯片的研发；在技术路径上，模拟存算与数字存算也各自形成了阵营。那么，存储器类型究竟该如何选择？大算力存算一体芯片的设计应从何入手？模拟与数字两条技术路线，各自适合哪些应用场景？千芯科技董事长陈巍近期接受深度专访，就这些关键问题进行了详细阐述。
如何合理选择存储器类型
千芯科技长期专注于大算力存算一体芯片技术，在SRAM、MRAM、RRAM等多种存储器领域均有布局。目前，其基于SRAM的存算一体产品样卡正在进行测试，同时，该公司也与中科院、清华大学等科研机构合作，优化基于RRAM和MRAM的存算一体电路设计。
公司技术团队早年便接触过各类存储器。陈巍本人十几年前曾作为国家专项课题的技术负责人，主持过当时国内最先进的NOR Flash芯片及Memory Compiler（存储器编译器）的设计与研发，还创立了国内首个3D NAND闪存设计团队，对SRAM、RRAM、MRAM等技术更是积累了十多年的经验，握有多项相关专利。
千芯科技内部对这些存储器进行了系统分类。陈巍强调，选择存储器时，关键还是要依据客户的实际应用场景。虽然都统称为存算一体，但不同应用场景的侧重点截然不同——有些应用更偏向于“存”（Computing Memory），有些则更侧重于“算”（Memory Computing）。例如，端侧的语音识别、人像识别等场景，对功耗和成本极为敏感，将AI计算与存储集成于一个器件中，能有效降低整体成本。而在云计算领域，模型规模庞大、训练场景下数据需频繁更新，非易失存储器的读写速度难以满足需求，此时SRAM、DRAM、RRAM反而更为合适——这类场景偏向于“算”，自然应倾向计算能力更强的存储器。
换言之，若追求低成本、低待机功耗，可选择非易失存储器，如Flash、RRAM、MRAM；若偏向大规模计算，多数情况下RRAM、SRAM和DRAM更具优势。当然，具体选择哪一种，还与各家企业的专利布局密切相关。
图：存储器类型、优势、不足及适用场景（来源：千芯科技）
大算力存算一体芯片的设计要点
自动驾驶、数据中心等场景对大算力的需求日益迫切，各大厂商自然也在大算力存算一体芯片上投入了大量资源。在陈巍看来，目前除NOR闪存受容量限制外，其他几种存储器基本都能用于实现大算力存算一体。
具体而言，NOR flash（非U盘所用闪存）的存储容量通常较小，单片算力突破1 TOPS成本就已很高，而业内常说的大算力一般在20-100 TOPS以上，因此NOR flash难以直接支撑大算力需求。而SRAM、RRAM等已有实际产品验证了其在大算力场景下的可行性。
大算力存算一体的结构设计与小算力存在显著差异。关键区别在于计算架构：大算力的计算核需要特殊的外围电路设计以提升吞吐能力；同时，整体结构上，大算力需要更多核心并联，相当于将多个小算力单元整合起来——这种思路类似GPU，本质上是通过组合多个小核心形成大计算阵列。
不过，基于非易失存储器实现大算力存算一体，仍面临工艺挑战。一般而言，循环读写次数达到10的6到8次方后，器件可能出现错误。因此，目前国际上直接用NVM实现200 Tops以上算力的产品仍较为罕见。原因在于，大算力场景下读写频率极高，器件会提前面临失效风险，一旦出错就可能导致计算错误——这对产品尤其是自动驾驶领域而言是不可接受的，此类失效可能直接导致车辆失控。
那么，如何解决这一问题？陈巍表示，经过与业内专家合作分析，需从两方面入手：一是优化器件的工艺水平，二是采用冗余器件设计。但问题在于，对于以计算为主的场景，加入冗余设计后，性能可能反而不如先进工艺下的SRAM；而且冗余会占用额外面积，成本优势也会打折扣。因此，选择哪种存储器实现大算力存算一体，归根结底还是要看具体场景、客户需求以及器件本身的工艺水平。
模拟与数字存算一体技术的差异分析
模拟存算与数字存算，哪条技术路线更优？这是业内争论的焦点。陈巍给出了清晰的判断：与传感器连接较紧密的部分，推荐采用模拟方式；若计算结构复杂，则建议采用数字方式。原因在于，用模拟电路实现复杂计算，代价极大，但与传感器结合时，模拟计算反而具有天然优势。
因此，关键仍在于应用场景。例如，对于小算力需求——如语音识别或小规模图像识别，模拟方案便十分合适。而云端的复杂大算力场景，目前多数仍采用数字方式。
上图展示的是一个存算一体阵列（如忆阻器）。其中预先存入矩阵系数（权重），输入数据时施加不同电压，根据欧姆定律会产生不同电流，这些电流汇聚到一起进行电流求和（基尔霍夫定律），便完成了一次乘积累加运算——这正是模拟电路实现深度学习计算的基本原理。
简单理解，数字方式相当于将不同的模拟单元分离。模拟电路中一个单元可存储一个几位的模拟数值（如8位或4位），而数字方式下每个单元只存储一位宽的数值。结论很直观：模拟的存储密度更高，但无法直接进行复杂计算；数字电路离散性更好、更灵活，可直接进行复杂运算。
存算一体技术的挑战与未来展望
目前，存算一体技术仍面临不少待解决的问题。陈巍指出了两个关键点：一是生态建设。存算一体这一概念并不新，但真正进入实用阶段时间尚短，通用的编译生态环境尚未完全成熟，导致落地时需要大量适配工作——而客户对生态有刚性需求。二是如何更好地满足客户需求。这也是所有AI芯片落地时都需面对的课题。企业需从客户需求出发设计产品，因为许多计算场景不仅需要AI技术，还需其他复合功能。例如，语音识别除AI计算外，还需进行语音降噪，这就要求芯片针对特定场景进行优化。
那么，存算一体的未来将呈现何种形态？短期来看，目前整个市场仍处于开拓期，许多客户尚未充分认识到存算一体的价值。但若能出现一个具有足够影响力的厂商，用实际产品证明存算一体芯片优于传统冯·诺依曼架构的AI芯片，整个行业将很快迎来突破——预计这一突破在近期便会发生。
从更长远的角度看，存算一体技术将与GPU、CPU深度融合，成为CPU、GPU、DPU乃至其他AI芯片的计算核心。换言之，存算一体技术将为现有计算架构赋能，成为其“发动机”。
商用方面，目前国内至少有两家存算一体芯片企业已实现量产，预计今年将有更多公司进入商用阶段。已落地的商用产品主要集中在端侧可穿戴设备、语音识别、小规模视觉模型等场景。至于自动驾驶与云计算领域，云计算商用的节奏会更快，预计明后年便会有产品逐步进入中国互联网大厂；自动驾驶则耗时更长——从架构设计到大批量装车，通常需要五年时间。若前两年已完成设计与流片，则还需约三年的适配和量产测试，方能真正实现大批量落地。