2026年，芯片行业‘近存计算’与‘存内计算’概念区分模糊，对于一名数字IC设计工程师，想了解这两个前沿方向并评估自己的转型可行性，应该从哪些核心论文、开源项目或仿真平台入手，建立清晰的技术认知图谱？

五年CPU子系统经验，这个背景转近存/存内计算其实挺有优势的，因为你懂处理器怎么和内存打交道，痛点你肯定懂。这两个概念现在确实有融合趋势，但核心区别还是计算发生的位置：近存是把计算单元挪到内存控制器附近或堆叠在内存上（比如HBM），存内是直接利用内存阵列本身做计算（比如用SRAM/DRAM/ReRAM的单元做乘加）。

建议你先从宏观综述入手，建立框架。论文方面，必读的两篇：1. 《A Survey of Near-Data Processing Architectures, Algorithms, and Opportunities》（IEEE TCAD 2020左右），这篇把近存计算（NDP）的分类、架构讲得很清楚。2. 存内计算可以看《In-Memory Computing: A New Frontier for AI Hardware》（ISSCC 2018的tutorial slides或后续期刊版），了解从SRAM到非易失存储的各种实现。

仿真平台，近存计算强烈推荐Gem5-Aladdin，它能在架构层面模拟计算单元放在内存不同位置的效果，你写个简单的加速kernel就能跑，对数字前端工程师很友好。存内计算的开源仿真工具少一些，但可以关注MLSim（针对基于SRAM的存内计算）或一些大学开源的项目，比如UIUC的DNN+NeuroSim框架（虽然偏模拟电路，但能帮你理解系统级trade-off）。

转型可行性上，近存计算更需要你现有的数字设计技能，主要是设计靠近内存的专用加速器（比如向量单元）；存内计算则更底层，涉及混合信号甚至器件，转型难度大。建议你先用仿真工具模仿几篇论文的架构，看看自己兴趣再决定深入哪个。

同是数字前端，感觉你被那些营销术语绕晕了。别管概念模糊不模糊，咱们工程师就关心两件事：1. 这玩意儿硬件怎么实现？2. 我现有的RTL/架构经验能用上多少？

直接给你划个学习路径：

第一步，去ISSCC和VLSI这两个会议的官网，搜“near-memory”和“in-memory computing”关键词，把最近三年相关的session都扫一遍。不用细读，就看那些架构图和数据流，特别关注哪些模块是数字电路实现的（比如近存计算里的可编程加速器、存内计算里的数字外围电路）。这是最快建立直觉的方法。

第二步，找几个具体的开源实现看看代码。近存计算可以看IBM的OpenCAPI架构文档（虽然不是完整开源，但接口定义很详细），或者学术界像CMU的NDP加速器框架。存内计算的开源项目确实少，但可以看看MIT的“MAGNet”或“Simba”项目的论文和架构描述，了解SRAM存内计算阵列怎么和数字控制器协同。

第三步，评估转型。如果你喜欢在架构层面优化数据搬运和并行性，近存计算更合适，你的CPU子系统经验能直接复用。如果你能接受学习一些模拟/混合信号基础（比如ADC/DAC在存内计算里的作用），那存内计算也有数字电路的设计空间（比如编解码、时序控制）。

别怕走弯路，先用两周时间把ISSCC的教程和 keynote 过一遍，你自然就知道该往哪使劲了。

做数字前端五年，底子肯定扎实，不用太担心。近存和存内虽然都针对内存墙，但硬件架构差异很大。近存计算核心思路是把计算单元和存储单元在物理上拉近，比如HBM堆叠逻辑芯片或者3D IC里把SRAM紧挨着ALU，本质上还是冯诺依曼的变种，通信距离缩短但存储介质本身没变。存内计算则更激进，直接在存储阵列内部做计算，比如RRAM或者SRAM阵列里做向量矩阵乘法，彻底消除数据搬运。

对你来说，转型近存计算门槛更低，因为时序、总线协议、物理设计这些经验和CPU子系统经验很对口。建议先看ISSCC 2023到2025年关于近存加速器的论文，比如三星的HBM-PIM系列，还有台积电的3D Fabric相关文章。仿真工具的话，Gem5-Aladdin确实经典，但它更偏体系结构，前端设计的话建议先用SystemC搭个近存互连模型，再结合开源RTL比如PULP平台里的近存模块。

存内计算更偏向模拟/混合信号和新型器件，数字前端工程师直接做纯数字存内计算也有机会，比如基于SRAM的存内计算宏，但需要理解位线、字线这些模拟概念。可以关注ISSCC里关于SRAM CIM宏的论文，比如台积电和联发科近两年的工作。开源项目较少，但有个叫Compute-in-Memory的GitHub仓库收集了一些仿真脚本，可以看看。

建议路径：先精读3-5篇近存综述和3-5篇存内综述，然后用Gem5做近存仿真，再用开源RTL实现一个简单的近存加速器。存内计算可以先跑跑基于Verilog-A的宏模型仿真。这样半年内就能摸清门路。

你这个问题问得很准。我做了三年存算一体加速器验证，刚入行时也分不清近存和存内。简单说，近存计算是让计算单元和存储单元在物理上靠近，比如HBM堆叠在逻辑die旁边或者把SRAM macross放到计算单元附近，典型代表是三星的HBM-PIM。存内计算则是直接在存储阵列里做计算，比如利用ReRAM crossbar做向量矩阵乘法，代表性工作是UCSB的ISAAC。

对于数字IC设计工程师，转型最稳妥的切入点是近存计算，因为它更接近传统数字设计，主要改动在访存调度和片上网络。建议你先看ISSCC 2021-2023年关于近存计算的session，特别是三星HBM-PIM和SK海力士的AiM。仿真平台用Gem5-Aladdin确实是最成熟的，但注意它侧重近存，对存内计算支持有限。存内计算你需要看Nature Electronics上关于compute-in-memory的综述，以及VLSI Symposium上关于SRAM-based CIM的论文。开源项目推荐一个叫NeuroSim的PyTorch扩展，可以模拟存内计算的精度和功耗。

最后给个实操建议：先拿一个简单的CNN加速器，用SystemVerilog实现近存计算的数据流控制，再对比传统冯诺依曼架构的功耗，这样你就能直观感受到差异了。

我是做模拟IC的，但前两年被拉去参与了一个存内计算项目，踩了不少坑。你的背景做近存计算转型确实更顺，因为存内计算涉及模拟电路设计（比如ADC精度、存储单元的非理想特性），数字工程师单独啃会非常吃力。

建议你从ISSCC 2022年的Tutorial开始看，有个叫“Compute-in-Memory: From Devices to Systems”的专题，讲得很清楚。论文的话，必读的是M. Kang的“A 19.4nJ/decision 960×960 RRAM-based Compute-in-Memory Accelerator for Deep Neural Networks”（VLSI 2023）。仿真平台方面，除了Gem5，推荐用CACTI-3DD和NVSim做能耗评估，虽然老但够用。开源项目可以看UCSB的“RRAM-based CIM”仿真器，在GitHub上能找到，但需要自己调工艺参数。

一个小建议：不要急着转存内。先拿一个近存计算的小项目练手，比如在FPGA上实现一个基于HBM的卷积加速器，用Vivado HLS写。等你对数据搬移的瓶颈有体感了，再去看存内计算的论文，你会更理解为什么存内要牺牲精度来换能效。

我是做EDA工具链的，和你们做设计的视角可能不太一样。从工具支持角度看，近存计算和存内计算目前最大的区别是：近存计算有成熟的RTL-to-GDS流程，而存内计算需要定制化设计方法学。

建议你从两个维度建立知识体系：第一，读一篇综述，比如ACM Computing Surveys上2023年的“A Survey of Near-Memory and In-Memory Computing: Architectures, Applications, and Design Tools”，它能帮你画出一张技术地图。第二，跑通一个开源仿真框架。对于近存计算，推荐用gem5-aladdin + DRAMsim3的组合，这个我在工作中验证过，能模拟近存架构的延迟和带宽。对于存内计算，你可以试试DNN+NeuroSim，它基于PyTorch，能模拟不同非易失存储器的计算精度。

注意一个坑：很多论文里的存内计算结果是用理想器件模型跑的，实际芯片测试结果往往差一个数量级。所以你看论文时要特别关注他们用的是什么工艺、什么存储单元，比如是SRAM、RRAM还是MRAM。作为数字设计工程师，你可以重点关注SRAM-based CIM，因为它的工艺和数字CMOS兼容，风险最小。推荐看台积电在ISSCC 2023上那篇关于SRAM CIM macro的论文，他们用了16nm FinFET，给出了很详实的测试数据。

五年CPU子系统经验，转型这两个方向其实有天然优势——你对内存访问瓶颈的痛肯定深有体会。别被术语吓到，核心就一点：数据搬移能耗太大。近存计算是把计算单元尽可能贴近内存（比如3D堆叠的HBM），存内计算是直接利用内存单元做计算（比如用SRAM/ReRAM做乘加）。建议先看ISSCC 2017年左右的存内计算tutorial，还有HPCA 2020年近存计算的survey。仿真可以玩一下UCSB的MNSIM（存内）和CMU的Aladdin（近存），跑几个例子对比带宽和能耗数据，感受会非常直观。转型的话，数字设计背景更适合近存，因为架构和传统SoC更接近；存内需要多了解模拟电路和器件特性。

我去年开始跟组里做存内计算芯片，说点实在的。这俩概念现在确实有融合趋势（比如存内计算块周围加近存控制逻辑），但入门时一定要分开学。先啃两篇经典：存内看《Memory devices and applications for in-memory computing》（Nature Nanotechnology, 2020），近存看《Near-Memory Computing: Past, Present, and Future》（MICRO 2019教程）。开源项目推荐MIT的Magic（存内仿真工具链）和Shuhai（近存架构仿真器），虽然文档糙但能跑通流程。你五年数字前端经验，转型最大门槛可能是电路级知识——存内计算里ADC/DAC设计、非理想效应建模都是新坑。建议先从数字存内架构（比如基于SRAM的数字乘加单元）入手，再慢慢往混合信号扩展。

别急着读论文，容易懵。我当初是先拉了个对比表：1. 数据移动距离（存内零移动/近存短距离）2. 计算精度（存内一般8bit以下/近存可支持浮点）3. 工艺依赖（存内和器件强相关/近存更依赖封装）。然后直接去GitHub搜“IMC”“NMC”标签，看最近一年star多的项目——比如IBM的Analog-AI（存内）和ETH的PULP（近存平台）。仿真强烈推荐用Scale-Sim（存内）和MCPAT+Gem5（近存）做对比实验，改几个参数就能看到内存墙缓解效果。转型可行性方面，你CPU子系统的经验对设计近存的数据调度器特别有用；如果想搞存内，得补半导体器件和混合信号设计基础。有个取巧办法：先参与开源项目的数字接口模块开发，边做边学底层。

我是做了三年存储接口设计的，刚开始也跟你一样困惑。其实这两个概念的核心区别很好记：存内计算是直接在存储单元里做计算，比如ReRAM交叉阵列做矩阵乘法，数据几乎不移动；近存计算则是把计算单元和存储单元封装在一起或堆叠起来，比如HBM搭配逻辑die，数据移动路径缩短但没完全消除。

对于数字前端工程师，我建议你先从架构级论文入手。近存计算可以看UCSB的Xie Yuan团队在ISCA 2015发表的《Processing-in-Memory: A Workload-Driven Perspective》，这篇把PIM分类讲得很清楚。存内计算则强烈推荐Nature 2020年那篇《A 40nm 64Kb 28.6TOPS/W RRAM-based in-memory computing macro》，硬件实现细节非常完整。

仿真平台的话，Gem5-Aladdin确实适合做近存计算的系统级评估，但配置起来有点麻烦。你可以先玩一下MemPool，这是一个开源的近存计算RISC-V平台，GitHub上有Verilog源码，直接看顶层互联和内存控制器设计，跟你的CPU子系统经验很对口。存内计算仿真建议用MNSIM，这个是清华团队开源的，专门模拟ReRAM存内计算宏单元。

一个很重要的建议：不要一上来就啃ISSCC论文里的具体电路细节，先看各个课题组网站上的Overview talk。UCSB、ETH Zurich和清华的存储计算组都有很好的教程视频，比你直接读论文快得多。