Frontier / 09 · EMBEDDED / EDGE

存算一体与神经形态：能效边界而非万能替代

当数据搬运吃掉大部分能耗，计算应该靠近存储还是彻底改变事件表示？

存算一体和神经形态的价值来自数据移动与稀疏性，而不是“替代 GPU”的叙事；控制开销决定收益能否保留。

解释图存算一体不是“把 MAC 移进阵列”就结束

模拟域阵列之后仍有 ADC、外围控制、索引和同步，稀疏收益取决于整条链。

Research notes / 两篇结构

先建立模型，再用实验拆边界

01旗舰研究嵌入式经验2026年10月8日7 分钟

从 CIMPool 的权重池到 2026 年神经形态综述，分析数据复用、稀疏性与控制开销的真实权衡。

存算一体神经形态CIM

02实验嵌入式经验2026年10月7日3 分钟

改变稀疏度、CIM 效率与事件开销，寻找存算一体的能效翻转点。

CIM稀疏计算能耗

Instrument

稀疏负载的收益取决于事件生成、索引与同步开销；高稀疏并不自动等于高能效。

稠密运算量4 GOP统一为 GFLOP-equivalent

稀疏度75 %可跳过的零值比例

CIM 能效提升3 相对数字基线的倍数

事件开销18 %索引、同步与路由开销

Primary sources / 一手证据

Cross-domain synthesis

01综合研究综合研究2026年10月18日6 分钟

把 KV Cache、FlashAttention、端侧模型与存算一体放进同一张数据移动账本，理解 AI 系统的真正成本。

内存层级KV CacheFlashAttention