一、概念内涵

存内计算（Computing-in-Memory, CIM）是一种突破传统冯·诺依曼架构的创新计算范式。传统计算系统将数据存储与处理分离，数据需频繁在存储器与处理器之间传输，导致“存储墙”瓶颈，严重制约系统性能和能效。存内计算芯片通过在存储器内部集成计算单元，使数据在存储过程中即可完成部分计算任务，极大减少数据搬运，提高计算效率和能耗比。CIM技术不仅适用于高性能计算、人工智能、数据中心等场景，还在边缘计算、物联网等领域展现出广阔应用前景。近年来，随着新型存储器（如DRAM、MRAM、ReRAM等）技术的成熟，存内计算芯片逐渐成为学术界和产业界关注的研究热点，推动计算架构向更高效、更智能的方向发展。

二、研究热点

随着数据密集型应用的快速发展，存内计算芯片在学术界和产业界引发了广泛关注。当前，研究热点主要聚焦于芯片架构创新、应用场景拓展以及系统生态建设等方面。各国研究机构和企业不断推动存内计算技术的理论突破与工程落地，力求解决传统计算架构中的“存储墙”瓶颈，提升系统整体性能和能效。

1、存内计算芯片架构设计与优化

存内计算芯片架构设计是推动该领域技术进步的核心。当前，研究者们聚焦于如何在存储器内部高效集成计算单元，提升存储与计算的协同能力。南京集成电路研究中心（杨军团队）等，深入探索基于DRAM、SRAM等传统存储器的存内计算（CIM）架构，通过在存储器中嵌入算术逻辑单元，实现数据预处理和矩阵运算加速。与此同时，University of Cambridge Computer Architecture Group等国际团队，积极研究新型存储器（如ReRAM、MRAM）与计算单元的深度融合，利用存储器物理特性实现高效并行计算。此外，能耗优化、可靠性提升和可扩展性设计也是各团队关注的重点，旨在保障CIM芯片在大规模应用场景下的稳定高效运行。

热点代表性机构/研究团队：

[1]南京集成电路研究中心（杨军团队）

[2]University of Cambridge – Computer Architecture Group

2、存内计算芯片在人工智能与大数据领域的应用

人工智能和大数据领域对算力和能效提出了极高要求，存内计算芯片凭借高带宽、低延迟的优势，成为AI推理、训练和大数据分析等任务的理想平台。清华大学新兴存储与低功耗实验室等国内团队，重点研究CIM芯片在神经网络推理、矩阵运算、图计算等AI核心任务中的加速机制，并推动CIM与AI加速器的协同设计。MIT Computation Structures Group等国际团队，则致力于面向大数据场景的CIM芯片应用优化，包括数据筛选、聚合、排序等操作的高效实现，以及针对特定AI模型的定制化CIM架构。相关研究还关注CIM芯片在边缘AI、智能终端等新兴场景的落地与应用。

热点代表性机构/研究团队：

[1]清华大学 – Lemon（新兴存储与低功耗计算实验室）

[2]MIT Computation Structures Group（麻省理工学院计算结构组）

3、存内计算芯片的系统集成与生态建设

热点代表性机构/研究团队：

[1]北京大学–集成微系统科学工程与应用重点实验室（黄如院士团队）

[2]ETH Zurich – Systems Group

三、发展趋势

1、新型存储器与存内计算深度融合

未来，存内计算芯片将与新型存储器技术深度融合。传统DRAM、SRAM等存储器在能效和扩展性方面存在一定局限，而新型存储器（如ReRAM、MRAM、PCM等）具备非易失性、高密度、低功耗等优势，为存内计算提供更广阔的创新空间。研究者将探索利用新型存储器的物理特性，实现更高效的并行计算和数据处理，推动存内计算芯片在AI、边缘计算等领域的应用突破。同时，相关材料、工艺和集成技术的进步也将加速存内计算芯片的产业化进程。

2、存内计算芯片的异构协同与智能化

随着计算需求的多样化，存内计算芯片将与CPU、GPU、FPGA等异构计算平台协同发展，实现智能化资源调度和任务分配。未来的计算系统将采用多种CIM芯片与传统处理器协同工作，根据任务特性动态分配计算资源，提升整体系统性能和能效。智能化的调度算法、自动化的编程工具和高效的软硬件协同机制将成为研究重点。此外，存内计算芯片还将与AI加速器深度融合，形成面向智能应用的高效计算平台。

3、存内计算芯片的应用场景拓展与生态完善

存内计算芯片的应用场景将不断拓展，从数据中心、AI加速到边缘计算、物联网、智能终端等领域。随着技术成熟和生态完善，CIM芯片将成为新一代计算平台的重要组成部分。未来，产业链上下游将协同推进存内计算芯片的标准制定、软硬件开发和应用推广，形成完整的生态体系。相关软件工具、编程模型和开发平台将进一步降低应用门槛，推动存内计算芯片在各类智能应用中的规模化部署。