本节课由复旦大学陈迟晓教授教学，关于突破冯诺依曼桎梏的物理创新，存内计算（Computing-in-Memory, CIM）通过将计算单元嵌入存储器，突破传统冯诺依曼架构的“存储墙”瓶颈，显著提升能效与性能。其技术路径可分为数字存内计算与模拟存内计算，各具独特优势：
数字存内计算（Digital CIM）核心优势

• 高计算精度：基于定制逻辑门设计（如XOR门），支持高精度运算（如32位浮点），满足复杂AI任务需求。
• 算法适配性：灵活适应稀疏数据与低比特量化算法（如INT4/INT8），提升现代AI模型的推理效率。
• 抗噪声能力：数字信号处理对工艺波动和噪声不敏感，稳定性强，适用于大规模芯片集成。
  典型成果：复旦大学团队开发的数字CIM芯片“Thinker 2.0”，能效比达35.6TOPS/W，语音识别功耗仅0.68mW。
  模拟存内计算
• 原理：借助神经网络在生物大脑中运行的关键特征来减轻能耗。以 IBM 推出的 14nm 模拟 AI 芯片为例，将突触权重存储在纳米级电阻存储器器件（如相变存储器 PCM）的电导值中 ，利用电路定律，减少存储器和处理器间数据传输，执行乘法累加（MAC）运算。
• 优势：
• 高能效：通过模拟内存计算，能最大限度减少计算耗时与精力，大幅提升能效。IBM 该款芯片能效达到最先进 GPU 的 14 倍，且此前模拟显示，这种硬件能效甚至可达当今最领先 GPU 的 40 - 140 倍。
• 模仿人脑运作：模仿人脑运作方式，由微芯片直接在内存中执行计算，可实现高效语音识别和转录，准确性接近数字硬件设施 。
• 挑战：计算可能引入噪声，受电路噪声等影响，需在计算精度和能耗效率间权衡；存储器阵列计算精度需与现有数字系统相当，且要能与其他数字计算单元以及数字通信结构无缝对接 。
  总之，数字 CIM 电路凭借其在精度、效率以及算法适配性上的优势，为智能计算系统的发展提供了有力支持。