引言：计算架构遭遇"存储墙"，破局从存算一体开始
传统冯·诺依曼架构中，数据在处理器和存储器之间的搬运消耗了60-90%的能效。2026年，从LPDDR6/HBM4近存计算到ReRAM忆阻器存内计算，再到光计算芯片，多种存算一体技术路线正从实验室走向产业化。
1. 近存计算（Processing-in-Memory/P-NN）：从概念到产品
将计算单元嵌入DRAM或HBM存储芯片中，大幅减少数据搬运：
- HBM4近存AI加速器：SK海力士和三星在HBM4中集成Tiny NPU核心，每个堆栈提供4 TOPS算力，专注于向量操作和张量加，与GPU形成互补
- LPDDR6存内计算：面向移动终端，在LPDDR6存储控制器中集成矩阵乘加单元，手机端侧LLM推理延迟降低4倍
- UCIe互联扩展：（AI理解应更精确...）Chiplet标准化互联使近存计算模组可与不同制程的计算芯片混搭，灵活构建存算一体化系统
2. ReRAM/PCM忆阻器：存内计算的终极形态
利用电阻状态直接表示和计算权重：
- 模拟存内计算（Analog CIM）：ReRAM交叉阵列实现向量矩阵乘法（VMM），算力密度达到100 TOPS/W，比GPU高两个数量级
- 训练与推理的双重挑战：ReRAM目前主要擅长推理（权重固定），训练时器件非理想特性（变异、漂移）仍是研究热点
- 产业化进展：IBS（Mythic）和Syntiant的ReRAM智算芯片已小规模量产，主要用于语音唤醒和低功耗视觉推理场景
3. 光计算芯片：光的并行优势
利用光的干涉和衍射实现矩阵运算：
- 硅光矩阵引擎：Lightmatter的Envise和Lightelligence的PACE平台，通过MZI（Mach-Zehnder干涉仪）网格实现光学矩阵乘法，算力随规模线性增长
- 光子卷积处理器：针对CNN等结构化运算，定制光子卷积核，在图像识别任务上实现比A100高10倍的能效比
- 混合光电系统：实际落地中，光计算作为计算加速协处理器，与传统电子系统通过SerDes互联，而非完全替代电子计算
4. 存储技术演进：LPDDR6与HBM4
新型存储介质本身也在快速演进：
- LPDDR6（2026 Q2量产）：速率达14.4 Gbps，带宽比LPDDR5X提升50%，同时Bank Group架构优化了随机访问延迟
- HBM4（2026下半年量产）：单堆栈容量32GB（16层×2GB），4堆栈提供128GB容量，带宽突破2TB/s
- 高带宽低延迟的内存池化：LPDDR6搭配Compute Express Link（CXL 3.1），实现跨设备内存共享，支撑智算中心的弹性内存分配
5. 产业格局与生态挑战
- 设计工具生态缺失：ReRAM和光学计算缺乏标准EDA工具，设计流程依赖厂商定制的SDK和参考设计
- 编程模型碎片化：不同存算一体架构有不同的编程抽象（ReRAM用PULP、光学用自定义Compiler），缺乏统一标准
- 制造成本：ReRAM需要后道工序兼容CMOS产线，初期良率不佳导致单位算力成本高于预期
- 应用场景聚焦：2026年存算力市场主要聚焦三大方向——智算中心（HBM4近存）、终端侧AI（LPDDR6存内计算）、IoT/边缘（ReRAM超低功耗推理）
结语
2026年存算一体技术正处于从"论文到产品"的关键拐点。近存计算（XBM4/LPDDR6）将率先大规模部署，模拟存算（ReRAM）在特定场景展现能效优势，光计算则是长期愿景。无论哪种路线，核心目标一致：打破存储墙，让数据在哪里存储就在哪里计算。
发表评论 取消回复