罗盘 / 存算一体架构
暗星档案 · 未点亮的星存算一体架构
本条为初评草案（AI 辅助编目）：T 阶为三问初评（撬动面 × 停滞度 × 临界性），双评过 σ 门并红蓝复核后才升"已建档"。查不到的字段留空不编。点亮者会进入亮星候选流程，其贡献与星阶按 HCF 独立重评，不从暗星自动继承。
存算一体架构T5 量级 · 新星
拆掉算力增长撞上的内存墙
暗星编号DS-0916
轴E · 能量与能力前沿
领域ai-computing
状态初评草案 · 待双评与红蓝复核
这是什么 · 为什么难
传统冯·诺依曼架构把存储和计算分离,数据要在两者间反复搬运,这一"内存墙"在AI大模型训练与推理这类数据密集型任务中吞掉总能耗的62%-80%,是算力效率提升的核心瓶颈之一。存算一体(CIM,含Computing-in-Memory直接在SRAM/DRAM/ReRAM/FeFET等存储阵列内嵌入运算逻辑,以及Processing-in-Memory把逻辑芯片贴近存储堆栈)试图从架构根本上消除这道搬运开销。攻破意味着单位能耗能承载的算力大幅提升,直接缓解AI训练与部署面对的"电力墙",是延续算力增长曲线的关键路线之一。
卡在哪 · 机制级卡点
最大障碍是软硬件协同设计生态缺失——缺乏成熟的编译器、模拟器和"深度学习模型到存算架构"的自动映射算法,导致好的存算芯片设计难以被现有AI软件栈直接利用;同时忆阻器等新型存储器件的良率、精度漂移和高密度集成工艺仍未完全成熟到量产标准。
怎么参与
学习存算一体架构相关课程,尝试在开源忆阻器仿真工具上跑通简单神经网络映射