來源：邊緣計算社區(qū)

隨著數(shù)據(jù)量爆炸式增長和智能化應用的普及，計算與存儲的高效整合逐漸成為科技行業(yè)關注的重點。數(shù)據(jù)存儲和處理需求的快速增長推動了對計算架構的重新設計，“存算一體化”技術應運而生。同時，隨著物聯(lián)網(wǎng)、5G網(wǎng)絡、人工智能（AI）等技術的發(fā)展，數(shù)據(jù)量的分布性、實時性需求增加，邊緣計算也逐漸從概念走向落地。本文將介紹存算一體化與邊緣計算的核心思想及其發(fā)展趨勢，探討兩者在智能計算模式中的應用前景。

從“馮·諾依曼架構”說起：傳統(tǒng)計算模式的困境

上世紀40年代，著名數(shù)學家馮·諾依曼提出了一個開創(chuàng)性的計算架構，被稱為“馮·諾依曼架構”。它提出了計算機系統(tǒng)的五大基本組成部分：輸入單元、輸出單元、存儲單元、控制單元和運算單元，并定義了它們之間的交互方式。馮·諾依曼架構的核心思想是將計算和存儲分離，數(shù)據(jù)和指令通過統(tǒng)一的總線在中央處理單元（CPU）和內(nèi)存之間傳輸。該架構的經(jīng)典特征為存儲程序概念，即程序和數(shù)據(jù)同樣存儲在內(nèi)存中，由CPU讀取并執(zhí)行。

盡管結(jié)構簡單、通用性強，適用于多種計算任務，但在今天，它的局限性越來越明顯。1. 數(shù)據(jù)傳輸瓶頸：在馮·諾依曼架構中，數(shù)據(jù)頻繁在內(nèi)存和CPU之間搬運。這一過程帶來顯著的延遲，系統(tǒng)難以高效處理數(shù)據(jù)，尤其在大數(shù)據(jù)和AI模型的應用場景中表現(xiàn)尤為突出。

2. 高能耗：頻繁的數(shù)據(jù)傳輸不僅增加了電力消耗，還帶來了硬件的發(fā)熱和散熱成本，在能源要求越來越高的計算任務中成為一大限制。

3. 資源利用率低：CPU和內(nèi)存之間常常互相等待，尤其在密集計算任務中，導致系統(tǒng)資源的利用效率低下。

這種“馮·諾依曼瓶頸”直接制約了當今的人工智能、大數(shù)據(jù)分析等計算任務的發(fā)展。存算一體化和邊緣計算被視為解決這一瓶頸的有力方案。

存算一體化：突破馮·諾依曼瓶頸的創(chuàng)新

存算一體化（Processing-In-Memory，PIM）打破了“存儲-計算分離”的模式，直接在存儲單元內(nèi)部集成計算單元，實現(xiàn)了數(shù)據(jù)的“就地處理”。這一創(chuàng)新從根本上優(yōu)化了計算結(jié)構，帶來了巨大的性能提升。存算一體化的三大優(yōu)勢：

顯著降低延遲：數(shù)據(jù)在存儲器內(nèi)直接處理，無需頻繁搬運，大大減少了延遲。

降低能耗：減少數(shù)據(jù)搬運所需的電力消耗，延長設備續(xù)航，提高系統(tǒng)能效。

提升并行計算效率：特別適用于大規(guī)模并發(fā)計算任務，如深度學習和大數(shù)據(jù)分析。

根據(jù)計算單元與存儲單元的距離，存算一體化主要分為三類：近存計算（PNM）、存內(nèi)處理（PIM）和存內(nèi)計算（CIM）。

1. 近存計算（PNM）：近存計算是一種較為成熟的技術路徑，采用先進的封裝技術，將計算邏輯芯片和存儲器封裝在一起，縮短內(nèi)存和處理單元之間的路徑，以實現(xiàn)更高的I/O密度，帶來高帶寬和低訪問開銷。該方案主要依托2.5D、3D堆疊等技術，廣泛應用于CPU和GPU等高性能處理器中，是實現(xiàn)存算一體化的首選方案之一。

2. 存內(nèi)處理（PIM）：存內(nèi)處理旨在盡可能多地將計算過程嵌入到存儲器內(nèi)部，減少處理器對存儲器的訪問頻率。通過在存儲器中直接完成大部分計算任務，這一技術有效降低了數(shù)據(jù)搬運需求，有助于緩解馮·諾依曼瓶頸帶來的限制。這種方案在內(nèi)存密集型任務上具有顯著的性能優(yōu)勢，被認為是未來智能計算的重要實現(xiàn)路徑。

3. 存內(nèi)計算（CIM）：存內(nèi)計算也稱為國內(nèi)一些公司推崇的“存算一體”。它通過對存儲器結(jié)構進行改進，使其直接具備計算能力。存內(nèi)計算有兩種實現(xiàn)思路：

• 電路革新：通過改動SRAM或MRAM等存儲器，使其具備計算功能，這種方法能效比高，但計算精度可能受限。
• 集成計算單元：在存儲器（如DRAM）中集成額外計算單元，以支持高精度計算。然而，由于DRAM工藝對計算邏輯電路的適應性差，這一方式面臨較大的工藝挑戰(zhàn)。

不同公司在存算一體化領域有各自的技術策略。部分企業(yè)聚焦于優(yōu)化存儲與計算的協(xié)同效率，提升大數(shù)據(jù)處理的性能；另一些公司則注重架構的靈活性和可擴展性，以應對動態(tài)的市場需求。此外，存算一體化的存儲介質(zhì)也日趨多元，包括以SRAM、DRAM為代表的易失性存儲器和以Flash為代表的非易失性存儲器等。

邊緣計算：讓數(shù)據(jù)在源頭處理的高效模式

邊緣計算（Edge Computing）則是一種將數(shù)據(jù)處理資源部署在網(wǎng)絡邊緣的計算模式，使得數(shù)據(jù)可以直接在靠近源頭的位置處理。與云計算相比，邊緣計算能滿足低延遲和實時響應的需求，尤其適用于自動駕駛、智能制造等場景。邊緣計算的三大優(yōu)勢：

低延遲：數(shù)據(jù)在靠近源頭的位置處理，無需傳輸至云端，響應時間顯著降低。

減輕網(wǎng)絡負擔：邊緣計算設備完成初步數(shù)據(jù)處理，僅上傳關鍵信息至云端，減少了網(wǎng)絡流量壓力。

提升數(shù)據(jù)隱私保護：在本地處理敏感數(shù)據(jù)，無需頻繁上傳至云端，有助于保護用戶隱私。邊緣計算在智能家居、智能交通、工業(yè)自動化等領域已經(jīng)取得了顯著成果。隨著物聯(lián)網(wǎng)設備的普及，邊緣計算需求將不斷增加，并與云計算形成相輔相成的架構。

存算一體化與邊緣計算的結(jié)合：智能計算的加速器

存算一體化和邊緣計算的結(jié)合，正逐步催生出一套更加高效的智能計算模式。由于邊緣設備往往體積小、功耗低、算力有限，難以承擔復雜的計算任務，而存算一體化能顯著增強邊緣設備的處理能力，使其更加高效、低能耗。以下是存算一體化與邊緣計算的結(jié)合應用：

·物聯(lián)網(wǎng)設備的數(shù)據(jù)處理

物聯(lián)網(wǎng)設備大多部署在網(wǎng)絡邊緣位置，用于實時監(jiān)測環(huán)境數(shù)據(jù)。采用存算一體化技術的邊緣設備能夠在本地完成數(shù)據(jù)處理，減少不必要的上傳。例如，搭載存算一體化芯片的智能攝像頭可以直接分析視頻數(shù)據(jù)，僅傳輸關鍵事件至云端，大大降低網(wǎng)絡流量。

·邊緣AI推理

邊緣計算在AI推理中的應用越來越廣泛，如自動駕駛、智能醫(yī)療等場景。邊緣AI推理通常需要處理大量實時數(shù)據(jù)，而存算一體化技術能夠提高推理速度。比如，自動駕駛車輛可以在攝像頭數(shù)據(jù)中直接完成識別和決策，確保快速響應。

·工業(yè)實時控制

在工業(yè)場景中，設備需實時監(jiān)控和控制。例如機械臂的控制、工廠設備的狀態(tài)監(jiān)測等。存算一體化使邊緣設備具備實時數(shù)據(jù)處理能力，保障系統(tǒng)的快速響應，提升了工廠的自動化和智能化水平。

·數(shù)據(jù)隱私保護

邊緣設備常處理敏感數(shù)據(jù)，直接上傳至云端會帶來隱私風險。存算一體化在本地完成數(shù)據(jù)處理，減少上傳需求，有助于提升數(shù)據(jù)隱私性和安全性。

技術趨勢與挑戰(zhàn)

雖然存算一體化和邊緣計算結(jié)合前景廣闊，但在技術落地過程中仍面臨挑戰(zhàn)：

硬件研發(fā)復雜：存算一體化技術涉及復雜的芯片設計和制造，如何在存儲芯片內(nèi)部高效集成計算單元仍是關鍵難題。芯片的工藝和計算精度也需要進一步提升。

設備多樣性與適配難題：邊緣設備種類繁多、資源配置差異較大，如何提供通用的存算一體化解決方案是技術難點。未來需設計低成本、高通用性的存算一體化邊緣芯片。

軟件生態(tài)支持：存算一體化架構需要完整的軟件支持，例如優(yōu)化的編譯器、計算框架和編程工具鏈，開發(fā)者需針對硬件架構優(yōu)化算法和模型。

1. 隱私和安全保障：邊緣計算設備處理大量數(shù)據(jù)，如何保障數(shù)據(jù)加密和隱私安全也是技術發(fā)展的重點。

展望：智能計算的未來

隨著存算一體化和邊緣計算技術的成熟，智能計算將迎來低延遲、低能耗、高效率的新階段。我們可以預見以下趨勢：

邊緣AI應用普及：存算一體化和邊緣計算的結(jié)合使得邊緣AI計算變得高效，更多智能應用將在邊緣設備上實現(xiàn)。

智能終端設備的自主化：存算一體化提升了邊緣設備的計算能力，減少對云端依賴，使設備更具自主性。

• 低能耗的分布式計算模式：存算一體化減少數(shù)據(jù)傳輸能耗，邊緣計算的分布式架構能降低云端負荷，使得網(wǎng)絡資源更高效。

未來，存算一體化與邊緣計算的融合將推動智能計算從集中化向分布式發(fā)展、從高能耗走向低能耗。它們將成為構建智能社會的重要基石，使我們身邊的智能設備更高效、更安全，朝著真正的“萬物互聯(lián)”時代邁進。