一句话定义：存内计算（Compute-in-Memory，CIM）是把乘加运算（Multiply-Accumulate，MAC）直接放进存储阵列内部完成的技术路线，数据不必在处理器和内存之间来回搬运。
为什么要这么做
经典计算机是冯·诺依曼架构（von Neumann architecture）：计算和存储分家。像在厨房做菜、食材却锁在隔壁仓库，每切一刀都得跑一趟。AI 最吃力的矩阵乘法就是海量乘加：权重和输入反复从内存搬到计算单元。芯片算力涨得快，内存带宽和延迟跟不上，这就是“内存墙”（memory wall）。很多时候，搬数据耗掉的电比算还多。
它怎么算
存储阵列本身就是个算盘。以阻变存储器（ReRAM，Resistive RAM）为例：每个单元用电阻值表示一个权重，输入电压加在字线上，按欧姆定律得到电流，完成一次乘法；同一根位线上所有单元的电流按基尔霍夫电流定律自然相加，一次读出就是一串加权和。静态随机存储器（SRAM）阵列也能做类似的事，可以走模拟域的电荷累加，也可以用数字电路按位乘加。整片阵列并行工作，成千上万次乘加同时发生，权重不用离开原位。
和邻居的区别
| 路线 | 计算单元在哪 | 数据搬运量 |
|---|---|---|
| 传统 GPU/NPU | 计算核 | 每次从内存搬进搬出 |
| 近存计算（Near-Memory Computing） | 内存旁边 | 距离变短，仍然要搬 |
| 存内计算 | 存储阵列内部 | 基本不动 |
打个比方：近存计算是把厨房挪到仓库门口，存内计算是直接在货架上做菜。
对谁有用
对 AI 从业者，这条路线把优化目标从“堆算力”改成“少搬数据”，尤其适合权重固定、批量推理、功耗敏感的场景：耳机里的关键词唤醒、摄像头的常开检测、手机端的小模型推理。它不是替代 GPU 去训练大模型，而是补低功耗推理这块拼图。难点同样实在：模拟计算会受工艺波动、噪声和模数转换开销影响，精度与可编程性有限，各家方案的能效和精度差异不小，具体指标以官方页面为准。
对普通人，收益是设备更省电、响应更快，部分数据不出本地，隐私更安心。存储和计算本来是两间房，存内计算想让它们坐回同一张桌子——这就是它的全部野心。