存算一体：撬开摩尔定律囚笼的新钥匙

大模型火了一整年，圈里聊最多的除了算法就是算力。我上个月跟某云厂商的朋友吃饭，他说现在客户抢GPU抢疯了，排队三个月都提不到货。更头疼的是电费——训练一次千亿参数模型，轻轻松松烧掉大几千万。这账怎么算都吃不消。 所有人都在找新出路。存算一体就是最近被资本和产业圈捧到风口的那个答案。

冯诺依曼架构的老病根，得治

我们用了七十多年的计算机架构，核心就是冯诺依曼：存储和计算分开。你要算什么，先把数据从内存搬去计算单元，算完再搬回去。 小算力时代没问题。 当大模型参数从亿级跳到千亿级甚至万亿级，数据在存储单元和计算单元之间来回搬运的功耗，已经占到了总功耗的七成以上，留给计算的电力反而没剩下多少。这就是所有人都在说的冯诺依曼瓶颈。 摩尔定律走到尽头，工艺升级带来的性能提升，早就赶不上算力需求的暴涨了。换架构才是破局的根本。 传统冯诺依曼架构数据传输路径示意图 存算一体的核心逻辑说穿了很简单：让计算直接在存储单元里做，废掉数据来回搬运这一步。理论上，能把AI推理的功耗降到原来的十分之一，性能翻好几倍。 不是说近存计算就是存算一体哦。很多厂商拿近存计算换个概念骗融资，说白了只是把存储挪得离计算单元近一点，本质还是分离，没碰到根子。真·存算一体，就是存就是算，算就是存。

产业化走到哪一步了？不是只有PPT

说实话，现在圈里一半是玩概念的，另一半真的在磨产品。 现在技术路线分成两大派：一派是模拟存算一体，利用电阻之类的模拟器件做存储计算，密度高功耗低，缺点是精度差，抗干扰能力弱，目前只能做推理，做不了训练。另一派是数字存算一体，跟现在的数字工艺兼容，精度高，但是密度和功耗优势没模拟那么大。 已经有产品出来了。国内几家头部设计公司，已经把存算一体芯片用到智能摄像头里，本地就能做人脸检测，不用把视频传云端，功耗比传统方案低一半还多。海外的话，苹果去年爆出在Apple Watch里试水存算一体，就是为了能让AI功能本地运行，不用连手机。创业公司这边，不少拿到融资的团队，今年也在出小批量试水产品，给边缘设备客户做验证。 存算一体AI推理芯片晶圆实物拍摄图 不过话说回来，现在能落地的都是低精度的简单推理场景。比如语音唤醒、人脸检测这种，对精度要求不高的。真要跑千亿参数大模型，不管模拟还是数字路线，都还没摸到门。

挡在量产前面的三道坎

挡在量产前面的三道坎 技术看着美好，真要大规模商用，还有三个绕不开的坎。 第一道坎，精度。刚才说了，模拟存算一体的器件误差大，温度变一下，电阻飘一下，计算结果就错了。要做8比特以上的精度，良率直接掉的没法看。现在想做16比特精度满足大模型训练要求，难比登天。 第二道坎，生态。现在整个AI产业的开发工具链，都是基于传统GPU、CPU架构做的，CUDA生态已经筑了十几年的城墙。存算一体要想让开发者用，就得重新做编译器，重新做适配，重新搭生态，这成本不是几个亿能砸出来的。很多小公司做出来芯片，没人愿意给你开发软件，最后只能躺在实验室里。 第三道坎，成本。存算一体要做高密度的存储计算集成，对工艺要求极高，现在先进工艺下良率上不去，一片晶圆出来没几个能用的，单颗芯片成本比同性能GPU还高，谁会用？ 现在很多PPT上喊着“颠覆GPU”，我只能说，醒醒。

未来三年：先啃边缘，别碰通用

未来三年：先啃边缘，别碰通用 我跟不少产业专家聊过，大家共识其实很一致：未来三五年，存算一体不可能取代GPU，也不可能干掉现有的冯诺依曼架构。 最靠谱的落地方向，就是边缘侧低功耗AI场景。智能可穿戴、智能摄像头、工业传感器、车载AI这些，对功耗要求高，对算力要求不需要云端那么大，刚好匹配现在存算一体的技术能力。比如以后你的智能手表能本地跑70亿参数的大模型，不用连云端，隐私也保护了，功耗也降了，这就是存算一体的功劳。 三到五年之后，随着工艺和精度问题慢慢解决，存算一体可能会切进云端数据中心的推理市场，帮云厂商降一波电费。至于训练市场？那至少是十年以后的事了。 资本现在追热点，把存算一体吹得太神。其实技术哪有那么多颠覆，都是一步一步啃出来的。它确实是破局摩尔定律的一把好钥匙，但不是什么能秒杀一切的银弹。 给它点时间，也给产业点耐心。