2026年深度观察：存算一体架构从实验室走向早期商用，FPGA与芯片从业者如何把握新机遇？

你好，我是林芯语。当AI大模型的参数量以万亿计，数据中心能耗成为不可承受之重，一个困扰芯片行业数十年的根本性问题——“内存墙”，正以前所未有的紧迫性，催生着计算架构的深刻变革。2026年，一种名为“存算一体”（Computing-in-Memory, CiM）的技术，正从顶级学术会议的论文中走出，悄然迈入早期商业化的门槛。它承诺的能效革命，与同样致力于解决内存瓶颈的“近存计算”方案形成了鲜明对比。对于身处FPGA、芯片设计、AI硬件加速领域的我们而言，这不仅是前沿技术的风向标，更可能重塑未来的职业赛道与技能需求。本期报道，我们将深入拆解这一趋势，厘清概念，分析现状，并探讨其带来的具体机遇。

核心要点速览：存算一体与近存计算的2026年图景

• 核心矛盾：“内存墙”是制约AI等数据密集型应用算力与能效提升的根本瓶颈，传统计算架构中数据在处理器与内存间的频繁搬运消耗了绝大部分能量和时间。
• 存算一体（CiM）：一种“激进”的架构革命，旨在直接在存储单元内部或紧邻位置完成计算，彻底消除或大幅减少数据搬运，理论上能效提升可达数个数量级。
• 技术路径：主要分为基于新型非易失存储器（如ReRAM、MRAM）和改造现有成熟存储器（如SRAM、DRAM）两大路线，前者潜力更大，后者工艺更成熟。
• 2026年状态：从“学术论文与原型”阶段进入“早期商业样片或小规模试产”阶段，标志着技术可行性的初步验证和商业探索的开始。
• 近存计算：一种“改良”路径，通过将计算单元尽可能靠近内存（如利用HBM的高带宽），而非融入内存，来缓解内存墙问题。技术成熟度更高，生态兼容性更好。
• 核心对比维度：两者在能效极限、计算精度支持（尤其是AI训练）、工艺成熟度、设计复杂度、与现有软件生态的兼容性上存在显著差异。
• 对AI硬件的意义：两者都是为AI，特别是大模型的推理与训练，寻找更优的硬件载体。CiM可能率先在边缘侧、低精度推理场景落地。
• FPGA的角色：在近存计算架构中，FPGA因其可重构性和高能效，常作为近存计算的核心加速单元；同时，FPGA也是验证CiM架构算法和系统方案的理想原型平台。
• 国产化机遇：在传统CPU/GPU赛道追赶艰难的情况下，新兴的架构变革（CiM、RISC-V等）为国产芯片提供了“换道超车”的理论机会，国内学术界和产业界已有大量布局。
• 从业者关注点：需密切关注实际能效提升数据、工艺良率、支持的计算精度范围、编译器与工具链的成熟度，以及明确的商业应用案例。

“内存墙”之痛：为何我们需要颠覆性的计算架构？

要理解存算一体的价值，必须首先直面“内存墙”（Memory Wall）问题。在经典的冯·诺依曼架构中，计算单元（CPU/GPU/TPU）和存储单元（内存/DRAM）是分离的。任何计算都需要先将数据从内存读取到处理器，计算完成后再写回内存。随着处理器算力按照摩尔定律飞速增长，内存带宽和延迟的提升速度却远远落后。这就导致了一个尴尬的局面：强大的计算核心经常在“饥饿”中等待数据，数据搬运所消耗的能量和时间，远远超过了计算本身。研究表明，在AI推理任务中，数据搬运的能耗可占总能耗的60%-90%。这不仅是性能瓶颈，更是能效瓶颈，直接制约了数据中心（电费与散热）和移动/边缘设备（续航）的发展天花板。

存算一体：将“路”修到“仓库”里

存算一体（CiM）的思路堪称“釜底抽薪”：既然数据搬运是罪魁祸首，那就让计算发生在数据存储的地方。你可以想象一个巨大的仓库（内存），传统方式需要用小推车（总线）把货物（数据）运到远处的加工厂（处理器）进行加工。而CiM则是在仓库内部或门口直接搭建了微型加工线，货物无需长途运输，就地处理。

两大技术路线与2026年进展

根据“仓库”（存储介质）的不同，CiM主要分为两大路线：

1. 基于新型非易失存储器（NVM）的CiM：使用电阻式随机存取存储器（ReRAM）、磁阻随机存取存储器（MRAM）、相变存储器（PCM）等。这些器件的物理特性（如电阻值）可以表征数据，并能通过电学操作直接实现乘加运算，天然适合模拟计算。其潜力巨大，能效优势明显，但工艺成熟度、一致性、耐久性是当前商业化的主要挑战。2026年，基于这些器件的芯片可能已从实验室流片，进入与特定客户共同验证的早期样片阶段。

2. 基于传统存储器的CiM：对现有的SRAM或DRAM单元进行电路级改造，嵌入计算逻辑。优点是可以直接利用成熟的CMOS工艺，设计相对可控。例如，基于SRAM的存内计算在学术研究中已非常活跃。2026年，这类设计更有可能率先实现小规模量产，应用于对工艺风险更敏感的领域。

近存计算：把“加工厂”搬到“仓库”隔壁

与CiM的“颠覆”相比，近存计算（Near-Memory Computing）更像是一次“精明的改良”。它不追求彻底改变存储单元的结构，而是通过先进封装技术（如2.5D/3D IC），将计算单元（通常是定制化的ASIC或高能效的FPGA）与内存（如高带宽内存HBM）紧密地集成在同一个封装内。通过极短的距离和超宽的互连接口（HBM提供高达数千GB/s的带宽），将数据搬运的损耗降到最低。

近存计算的优势在于：它基于已知且成熟的存储技术和计算架构，生态兼容性好，设计方法论相对传统，更容易在短期内实现产品化。目前，许多AI加速芯片和高端FPGA加速卡都采用了“FPGA/ASIC + HBM”的近存计算模式。它是对冯·诺依曼架构的一次高效优化，而非革命。

正面交锋：CiM vs. 近存计算，孰优孰劣？

2026年的讨论焦点，正是这两条路径的对比与选择。它们并非简单的替代关系，更可能长期共存，服务于不同场景。

观察维度	存算一体 (CiM)	近存计算
核心理念	存储单元内计算，消除搬运	计算单元极度靠近内存，减少搬运
能效潜力	理论上限极高（10-1000倍提升）	提升显著，但有物理距离上限
计算精度与灵活性	多用于低精度（INT4/INT8）模拟计算，支持训练是挑战；算法固定化程度高	支持高精度数字计算（FP16/BF16/FP32），兼顾训练与推理；灵活性好（尤指FPGA方案）
工艺与成熟度	新型NVM路线工艺不成熟；传统存储器改造路线相对成熟。整体处于早期商用。	基于成熟CMOS工艺和先进封装，已广泛应用于高性能计算和AI加速卡。
设计复杂度与EDA工具	极高，需全新的电路设计、建模、验证方法和EDA工具链支持。	高，但基于现有数字IC设计流程，有成熟的HBM IP和接口协议。
生态兼容性	差，需要全新的编译器、编程模型和软件栈，生态构建是巨大挑战。	好，可作为协处理器/加速器，通过标准接口（如CXL、PCIe）与主机交互，软件适配相对容易。
潜在应用场景	边缘AI推理、物联网终端、低功耗传感器处理、特定AI算子硬加速。	数据中心AI训练/推理、高性能计算、金融分析、视频处理等。
与FPGA的关联	FPGA是验证CiM系统架构和算法的关键原型平台。	FPGA本身就是近存计算的核心计算单元之一（如Xilinx Versal ACAP）。

对产业链与从业者的影响：机遇藏在挑战里

1. 芯片设计岗位的技能演进

无论是CiM还是近存计算，都对芯片设计者提出了更高要求：

• 跨领域知识：需要同时理解存储器件物理、模拟/混合信号电路设计、数字电路架构以及上层AI算法。对于CiM，模拟电路设计能力变得至关重要。
• 系统级思维：必须从“计算-存储-互连”的系统层面进行权衡设计，而不仅仅是优化一个计算核心。
• 先进封装知识：对于近存计算，掌握2.5D/3D IC、硅中介层、微凸点等先进封装技术将成为加分项。

2. FPGA工程师的独特优势与定位

FPGA从业者在这场变革中处于一个非常有利的位置：

• 近存计算的现役主力：FPGA+HBM已是数据中心加速的成熟方案。掌握HBM控制器IP使用、高速接口调试、以及在此架构下进行AI算法硬件化实现的能力，是当前市场的硬需求。
• CiM的探索先锋：在CiM芯片完全成熟之前，其算法和架构创新需要快速原型验证。FPGA可以用于模拟CiM的行为模型，或构建基于FPGA的模拟-数字混合验证平台，这是前沿研发的关键一环。
• 技能可迁移性：FPGA开发所锻炼的高能效架构设计、并行流水线思维、软硬件协同优化能力，正是设计定制化AI加速器（无论是近存还是未来存算）的核心能力。

3. 国产芯片的“换道”思考

在传统CPU/GPU领域追赶国际巨头难度极大。而像CiM、RISC-V这样的新兴架构变革，全球都处于相对早期的起跑阶段。国内学术界在CiM领域发表了大量高水平论文，产业界也有初创公司布局。这为国产芯片避开专利壁垒深厚的传统赛道，在AI时代开辟新战场提供了机遇。但能否成功，取决于能否跨越从“论文/样片”到“稳定、可靠、有竞争力产品”的死亡之谷，这需要扎实的工程化能力、持续的生态建设和敏锐的市场洞察。

读者常见问题解答 (FAQ)

Q：作为一个FPGA初学者，我需要现在就深入学习存算一体吗？

A： 不必。当前的重心应放在打好数字电路基础、掌握FPGA开发全流程（设计、仿真、调试）、并精通一种硬件描述语言（Verilog/VHDL）。在此基础上，可以关注并学习近存计算相关的实践，例如如何在FPGA上利用高速接口和并行性优化AI算子。存算一体作为前沿方向，了解其概念和趋势即可，待技术更成熟、有明确岗位需求时再深入不迟。

Q：存算一体芯片会取代GPU吗？

A： 在中短期内完全取代的可能性极低。GPU是一个高度通用、生态极其强大的计算平台。存算一体芯片更可能作为一种“领域专用加速器”（DSA），在特定的、对能效要求极端苛刻的场景（如始终在线的边缘设备）中替代GPU的部分功能，或作为GPU的协处理器，处理其不擅长的特定稀疏计算任务。两者是互补共存的关系。

Q：近存计算中，FPGA和ASIC如何选择？

A： 这是一个经典的权衡。ASIC能效和性能极致，但成本高、研发周期长、算法一旦固化难以修改，适合算法稳定、需求量巨大的场景（如大规模数据中心推理）。FPGA能效次于ASIC但远好于CPU/GPU，优势在于灵活性，可随时根据算法演进重新配置，适合算法快速迭代、多任务、或前期验证阶段。许多方案会采用“FPGA先行验证，ASIC最终落地”的策略。

Q：如果想进入这个领域，我应该关注哪些公司或研究机构？

A： 可以分层关注：1）国际巨头：英特尔（在MRAM和近存计算均有布局）、三星、台积电（先进封装）、AMD/Xilinx（FPGA近存方案）。2）科技巨头：谷歌、微软等都在自研AI芯片，必然涉及相关架构。3）顶级学术会议：ISSCC、VLSI Symposium上常有突破性论文。4）国内动态：关注国内顶尖高校（清华、北大、复旦、中科院等）的微电子/集成电路学院，以及寒武纪、地平线等AI芯片公司，以及一些专注于存算一体的初创企业。

Q：从学习角度，有什么可以落地的项目建议？

A： 对于在校生或自学者，一个极佳的起点是：在FPGA上实现一个基于片上内存（Block RAM）的简化版“存内计算”模拟单元。例如，设计一个固定大小的SRAM阵列，并为其添加外围电路，使其能够一次性完成一个小型矩阵的乘加运算。这个项目虽不是真正的模拟CiM，但能让你深刻理解“计算贴近数据”的思想、内存阵列的组织方式、以及数据流优化，是通往更前沿研究的坚实台阶。

Q：报道中提到“早期商用”，到底有哪些产品出来了？

A： 这正是需要读者保持警惕并交叉验证的关键点。基于本次智能梳理的材料，我们无法给出具体的产品名称和公司，因为材料本身未提供此类具体事实。在2026年的时间点上，宣称“早期商用”可能指：1）初创公司发布了技术白皮书和性能指标；2）向极少数头部客户提供了仅供评估的工程样片；3）在特定行业展会或技术研讨会上进行了非公开演示。建议读者按照下文“核验建议”主动搜索，以获取最准确的信息。

参考与信息来源

• 存算一体（Computing-in-Memory）架构从学术走向早期商用，与近存计算方案形成对比 – 智能梳理/综述线索 – 核验建议：建议关注国际固态电路会议（ISSCC）、超大规模集成电路研讨会（VLSI）等顶级会议中关于存算一体芯片的论文发布。同时，搜索“Computing-in-Memory commercial chip 2026”、“CIM vs near-memory computing”查看科技媒体与行业分析机构（如Semiconductor Engineering）的深度报道与评论。

想系统学习 FPGA 并快速就业，可以了解成电国芯 FPGA 就业实战班，包含零基础教学、企业项目实战、就业内推服务。
地址：成都AI创新中心基地/重庆西永微电园基地
电话：13258207810