存算一体旨在计算单元与存储单元融合，在实现数据存储的同时直接进行计算，以消除数据搬移带来的开销，极大提升运算效率，以实现计算存储的高效节能。存算一体非常符合高访存、高并行的人工智能场景计算需求。在产业和投资的驱动下，基于sra，dra，fsh存储介质的产品进入验证期，将优先在低功耗、小算力的端侧如智能家居、可穿戴设备、泛机器人、智能安防等计算场景落地。未来，随着存算一体芯片在云端推理大算力场景落地，或将带来计算架构的变革。它推动传统的以计算为中心的架构向以数据为中心的架构演进，并对云计算、人工智能、物联网等产业发展带来积极影响。
着ai在各领域的应用逐渐广泛，以深度学习为代表的神经网络算法需要系统高效处理海量的非结构化数据，例如文本、视频、图像、语音等。而传统冯诺依曼体系下运行的计算机通常包括存储单元和计算单元两部分，数据需要在处理器与存储器之间进行频繁迁移，如果内存的传输速度跟不上cu的性能，就会导致计算能力受到限制，出现“内存墙”“功耗强”。这就对芯片的并行运算、低延迟、带宽提出了更高的要求。
近年来，产业界领军企业在存算一体的前沿技术研究上持续发力。三星在顶级学术期刊nature上发表了全球首个基于ra磁性随机存储器的存内计算研究；台积电在iss上合作发表了六篇关于存内计算存储器i的论文，大力推进基建rera的存内计算方案；sk海力士则发表了基于gddr接口的dra存内计算研究。学术界和产业界普遍认为存算一体有望成为突破算力性能和功耗瓶颈的技术方向之一。特别是在大规模并行计算场景中，例如vrar、无人驾驶、天文数据计算、遥感影像数据分析等，存算一体芯片具备高带宽、低功耗的显著优势。微观上，算力是一个具体的技术指标。算的快高吞吐、低延迟、算的准高精准度、算的省低成本、低功耗是对算力的基本要求。存算一体是从微观层面进行架构的优化，面临存储器设计和生产工艺的挑战，需要整个产业链的参与支持。
实现存算一体的技术路径主要有以下三个技术较成熟的是近存计算，利用先进封装技术把计算逻辑芯片和存储器封装到一起，通过减少内存和处理单元的路径，以高io密度来实现高内存带宽以及较低的访问开销。近存计算主要通过25d、3d堆叠来实现，广泛应用在各类cu和gu上；近期投资热度较高的是存内计算，通过传统的存储介质如dra、sra、norfsh、nandfsh来实现。计算操作由位于存储芯片区域内部的独立计算单元完成，更适用于算法固定的场景；技术尚处于探索期的是基于非易失性存储器技术做的新型存储原件，比如通过忆阻器rera电阻调制来实现数据存储。其他如相变存储器、自旋磁存储器ra等，也作为存算一体新的技术路径。存算一体的计算方式分为数字计算和模拟计算。数字计算主要以sra作为存储器件，具有高性能、高精度的优势，更适合大算力高能效场景。模拟计算通常使用fsh、rera等非易失性介质作为存储器件，存储密度大，并行度高，更适合小算力，计算精度要求不高的场景。
目前，存算一体已经在产业细分领域掀起了创业浪潮，并受到投资界和产业界的关注和投入。存算一体在技术上向着高精度、高算力和高能效的方向发展。在资本和产业双轮驱动下，基于sra、norfsh等成熟存储器的存内计算将在垂直领域迎来规模化商用，小算力、低功耗场景有望优先迎来产品和生态的升级迭代，大算力通用计算场景或将进入技术产品化初期。基于非易失性、新型存储元件的存算一体依赖于工艺、良率的提升