摘要存算一体正在从学术研究走向嵌入式落地。SK海力士联合研发的忆阻器AI芯片采用嵌入式RISC-V处理器调度任务理论峰值约2.54 TOPS。elexcon2026将新型存储技术列为六大核心方向之一。本文从技术路线、工程特性和应用场景三个维度分析存算一体与新型存储在嵌入式系统中的落地路径。一、内存墙嵌入式AI的能效瓶颈传统冯·诺依曼架构将计算和存储分离。AI推理的核心操作是矩阵乘法需要频繁访问权重和激活值。数据在计算单元和内存之间的搬运消耗了大量的时间和能量。对于嵌入式AI而言内存墙的影响更加严重。嵌入式设备的功耗预算有限数据搬运的能耗往往超过计算本身的能耗。边缘AI芯片的能效瓶颈很大程度上来自数据搬运。存算一体将计算单元嵌入存储阵列中在数据存储的位置直接完成计算消除数据搬运的开销。模拟计算则利用存储单元的模拟特性直接完成乘加运算进一步提高能效。二、技术路线SRAM、RRAM与忆阻器存算一体的技术路线主要分为三类。SRAM存算一体。在SRAM阵列中嵌入计算逻辑支持数字或模拟计算。SRAM的工艺成熟与逻辑工艺兼容适合中小规模的存算一体。缺点是SRAM的存储密度较低不适合大容量模型。RRAM存算一体。利用阻变存储器的电阻特性在存储阵列中直接完成模拟乘加运算。RRAM的存储密度高适合大规模神经网络。缺点是RRAM的器件一致性、耐久性和良率仍在完善中。忆阻器存算一体。SK海力士联合研发的忆阻器AI芯片采用嵌入式RISC-V处理器调度任务理论峰值约2.54 TOPS。忆阻器的优势是存储密度极高适合大规模神经网络的部署。缺点是制造工艺仍在早期阶段。三、工程特性精度、可靠性与工具链存算一体的工程化面临多重挑战。精度问题。模拟计算的精度受限于器件噪声、工艺偏差和温度漂移。对于需要高精度的AI任务模拟计算的精度可能不足。数字存算一体可以保证精度但能效优势不如模拟方案。可靠性问题。RRAM等新型存储器的耐久性和数据保持能力仍在验证中。嵌入式设备通常需要十年以上的生命周期新型存储器的长期可靠性需要时间验证。工具链缺失。存算一体芯片的编程模型和工具链仍在早期阶段。如何将训练好的神经网络映射到存算一体阵列上如何量化模型以适应模拟计算的精度限制这些问题需要新的工具链支持。成本与良率。存算一体芯片的制造成本和良率是决定其能否规模量产的关键因素。新型存储器的工艺成熟度直接影响芯片的成本。四、应用场景哪些任务适合存算一体存算一体的高能效特性使其特别适合特定的嵌入式场景。关键词唤醒。语音唤醒词识别需要持续运行功耗极低。存算一体的高能效特性使其成为关键词唤醒的理想方案。手势识别。可穿戴设备的手势识别需要低功耗和实时性。存算一体可以在传感器端完成推理避免数据搬运。异常检测。工业设备的振动异常检测需要持续运行。存算一体的高能效特性使其适合长期部署的工业传感器。图像分类。低分辨率的图像分类任务可以在存算一体芯片上运行。对于需要高精度的图像识别任务传统NPU方案可能更合适。五、对嵌入式工程师的影响第一关注存算一体的技术进展。存算一体是嵌入式AI的潜在方向。嵌入式工程师需要关注这一领域的技术突破和产品化进展。第二理解模拟计算的精度约束。模拟计算的精度与数字计算有本质区别。嵌入式工程师需要理解量化、噪声和工艺偏差对AI推理精度的影响。第三掌握新型存储器的特性。RRAM、MRAM等新型存储器的读写特性、耐久性和数据保持能力与传统Flash和SRAM不同。嵌入式工程师需要理解这些特性对系统设计的影响。第四保持对传统架构的优化能力。存算一体仍在早期阶段。在存算一体成熟之前嵌入式工程师仍需要优化传统架构下的AI推理包括模型压缩、内存布局优化和DMA调度。六、总结存算一体正在从学术研究走向嵌入式落地。SRAM、RRAM和忆阻器代表了三条不同的技术路线各有适用场景。精度、可靠性和工具链的挑战决定了这一技术的产业化仍需时间。对于嵌入式工程师而言存算一体是一个值得长期关注的方向。在技术成熟之前优化传统架构下的AI推理仍然是核心能力。