2023年9月14日，清华大学吴华强及高滨共同通讯在Science在线发表题为“Edge learning using a fully integrated neuro-inspired memristor chip”的研究论文，论文显示，团队基于存内计算范式，研制出全系统集成、支持高效片上学习(机器学习能在硬件端直接完成)的存内计算芯片。针对AI时代的新技术的方向，基于存储器运行计算的新型架构模

随着大数据和数据经济的不断发展，海量数据的收集、存储、分析都需要大量的人力物力，其对芯片算力的需求不断增长，而传统冯﹒诺依曼架构已无法支持当今大数据算力需求，因此新型存内计算架构作为一种解决方案被提出。数据经济是指以数据为核心资源，通过数据的收集、分析和应用，创造经济价值的一种经济形态。存内计算，将存储器和计算单元集成在一起，旨在使芯片计算单元兼具存储数据、处理数据的能力，计算单元可以通过极低的开

 当数据洪流遭遇算力瓶颈，存算一体技术正以破局者之姿重构 AI 硬件的未来图景。今天，国内首个聚焦存算一体技术的开发者生态阵地 ——存算一体开发者社区正式上线！这里不仅是技术研发的前沿阵地，更是构建「技术研发 - 产学研协同 - 人才成长」全链路生态的核心枢纽，邀你一同在算力革命的浪潮中抢占开发新坐标！

多Agent模式背后的算力需求通常较高，因为需要同时处理来自多个智能体的任务和数据。存内计算作为一种新兴的计算架构，能够在存储器阵列内完成逻辑运算，避免存储器和处理器之间频繁的数据搬移操作，从而提升算力，降低功耗。

摘要：空间计算作为融合物理与数字世界的前沿技术，面临算力与功耗的挑战。本文探讨存算一体（CIM）架构如何通过硬件创新解决这一问题：1）分析空间计算的核心需求（感知定位、3D重建、多模态交互）；2）揭示传统冯·诺依曼架构的瓶颈；3）以英伟达Cosmos和世界模型为例，阐述存算一体在降低数据中心能耗（减少60%数据搬运耗能）和边缘计算（如自动驾驶芯片实现256TOPS/35W）中的应用优势。研究表明，

由于笔者能力有限，可能未罗列全所有存算企业的优秀产品，列举的可能也并非该企业的最新产品，因为企业往往只会公开产品发布时间点对其有利的部分数据，部分以提升倍数表示的数据无法转化为具体数值，未公开的数据用“-”表示，数据带有宣传性质，请酌情采信。基于知存科技的存内计算技术，积累了全球化的用户经验和需求，具有低功耗、高算力、多应用的三大优势，可助力智能可穿戴设备实现产品体验升级，实现多元化和差异化的应用

【活动预告】9月13日，存算一体开发者社区联合清华大学学生创客空间协会举办视觉计算生态革新主题工坊，聚焦智能眼镜、多模态模型等前沿技术。活动亮点：1）跨界对话：涵盖艺术创作、芯片架构、智能设备全产业链；2）实战干货：探讨存算一体突破、数字IP进化、AR开发等落地议题；3）前瞻视角：解析视觉计算的指数级算力需求与存内计算解决方案。适合开发者、硬科技爱好者及创意工作者参与，共同探索视觉技术的未来边界。

2025 年 6 月 6 日，由存算一体开发者社区与上海交通大学联合主办的 “大模型推理需求下的计算生态链变革” 专场活动在上海交通大学闵行校区顺利举办。本次活动汇聚了算能、OpenDataLab、知存科技、天翼云等企业专家，围绕大模型时代的算力架构创新、数据生态构建及产业实践展开深度探讨，推动产学研用协同发展。

该论文介绍了一个端到端的电路-工具链-系统协同设计框架，通过硬件友好的量化方法、算子优化技术以及高效的内存映射策略，在语音和图像处理任务中均实现了高精度和低功耗。这项工作为IMC技术的商业化应用解决了工具链障碍，未来可以支持如Transformer等更新、更复杂的神经网络结构。也可将此框架应用于健康监测、工业自动化等更多样化的AI场景中。

摘要： 随着AI大模型对内存需求的激增，DDR5和HBM等传统存储技术面临成本高、容量受限的挑战。Sandisk推出的高带宽闪存（HBF）通过3D堆叠NAND技术，在接近HBM带宽的同时提供更大容量（如首代512GB/堆叠）和更低功耗，成为AI推理场景的理想选择。HBF还可与存内计算技术深度融合，解决数据供给瓶颈，并探索控制器端计算或3D堆叠存算一体化等创新方向，为边缘端部署千亿级模型提供可能。未