英伟达GTC2025大会于2025年3月18日在美国加州圣何塞举行，NVIDIA CEO黄仁勋在会上展示了公司近年来的成就，并提出了通过纵向扩展（scale up）和横向扩展（scale out）解决推理问题的未来布局。GTC大会自2009年起每年举办，已成为AI、深度学习、高性能计算等领域的重要技术发布和交流平台。黄仁勋强调，AI已进入代理AI阶段，算力需求依然强劲，尤其是推理能力在端侧的重要性

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，

存内计算芯片通过器件、架构、电路、工艺的协同创新，突破了冯诺依曼架构的限制以实现高能效比。例如，在实时语音转写应用方面，具身智能通常在本地实时地进行语音转写和处理，不仅减少了延迟还实现了更加丰富和多样化的交互体验，与此相比传统的人工智能依赖于预训练的数据，在面对实时变化的环境时难以快速反应。具身智能作为人工智能的下一个浪潮，相比传统的工业机器人、协作机器人等，其有着智能化程度高、工作场景限制小、能

本文探讨了自适应弹性加速技术在提升芯片能效比方面的应用。该技术通过动态调整计算资源、功耗模式和硬件功能，实现性能与功耗的优化平衡。在资源层面，异构计算（如ARM的DynamIQ技术）实现核心的动态调度；功耗层面，精细化电源管理（如苹果M系列芯片）实现毫瓦级控制；功能层面，可重构硬件（如FPGA）支持多模态加速。此外，文章还分析了浮点存内计算的自适应精度和可重构功能优势，指出其能效提升潜力，但也面临

中国科研团队在存算一体AI芯片领域取得多项突破。北大团队首创存算一体排序架构，解决传统架构在非线性排序中的效率问题；复旦与绍芯实验室联合推出两款AI芯片，分别针对LLM离群值适配和片上训练需求；北航团队则通过近似计算等方法，研制出两款高能效芯片，最高能效达3048TOPS/W。这些创新成果将为人工智能应用提供更强大的算力支持。

存内计算芯片通过器件、架构、电路、工艺的协同创新，突破了冯诺依曼架构的限制以实现高能效比。例如，在实时语音转写应用方面，具身智能通常在本地实时地进行语音转写和处理，不仅减少了延迟还实现了更加丰富和多样化的交互体验，与此相比传统的人工智能依赖于预训练的数据，在面对实时变化的环境时难以快速反应。具身智能作为人工智能的下一个浪潮，相比传统的工业机器人、协作机器人等，其有着智能化程度高、工作场景限制小、能

对于更复杂的电路，如广义逆电路，ConCom 方法同样适用，通过在左右阵列中进行行和列的电导补偿，实现电路输入节点的负载平衡，从而解决线性方程组问题。在 MMVM 电路中，通过确定补偿电导的值，使每个位线（BL）的电阻负载相等，可使电路可作为构建模块用于解决更复杂的问题，如基于局部竞争算法（LCA）的压缩感知（CS）恢复电路，通过将 MMVM 电路与模拟反相器、跨阻放大器（TIA）和软阈值模块相结

导游讲解器的降噪，一般指的是使用指向性的麦克风、带有降噪功能麦克风、双麦降噪等传统的降噪方式，受声源与麦克风距离、讲解环境的影响大，还经常突出齿音等瑕疵。在远距离条件下人声拾音音质依然饱满清晰，无需外接麦克风。外形设计的迭代，智能降噪、远距离拾音的效果提升，让客户新一代产品不仅在旅游、企业接待等场景能够更好地服务用户，还能够适用于会议同声传译、大型展览展会接待、户外活动及培训等场景中。未来，随着技

存内计算技术作为人工智能领域的一项创新，为神经网络的发展提供了全新的可能性。通过将计算操作嵌入存储单元，存内计算有效地解决了传统计算架构中数据搬运的瓶颈问题，提高了计算效率，降低了功耗。随着未来的不断探索和发展，存内计算有望在人工智能领域发挥更大的作用。然而，我们也需谨慎应对相关的挑战和伦理考量，确保这一技术的应用能够符合社会的期望和法规，推动人工智能技术的可持续发展。在这个不断演进的领域，存内计

内存计算（IMC）的主要优势在于减少或抑制数据移动，从而提高了能效。减少数据移动的方法有多种，其中主要包括近内存计算、基于静态随机存取存储器（SRAM）的内存计算以及利用新兴的非易失性存储器（NVM）技术进行内存计算。下面将详细介绍这些技术及其优势。