隨著人工智能（AI）技術在各行各業的深度融合與爆發式增長，數據作為其核心燃料的地位日益凸顯。傳統計算架構中數據在處理器與內存之間的頻繁搬運已成為制約AI性能提升的“內存墻”瓶頸。在這一背景下，存內計算（Processing-In-Memory, PIM）技術正以其顛覆性的架構理念，為人工智能應用，特別是大規模人工智能公共數據平臺的構建，開辟了令人矚目的前景。
一、PIM技術：破解AI計算瓶頸的關鍵鑰匙
PIM技術的核心思想是將部分計算功能直接嵌入到存儲單元或鄰近位置，從而極大地減少數據在處理器和內存之間的移動。這種“存算一體”的范式，直接針對了當前AI模型（尤其是深度神經網絡）在訓練和推理過程中海量權重參數與激活數據頻繁訪問所帶來的巨大能耗與延遲問題。
對于人工智能應用而言，PIM的優勢顯而易見：
- 極致能效：大幅降低數據搬運能耗，這對于能耗敏感的邊緣AI設備和數據中心規模部署至關重要。
- 超低延遲：就地處理數據，顯著減少訪問延遲，加速模型推理與訓練周期。
- 高吞吐量：內存帶寬得以充分利用，支持大規模并行計算，滿足AI對算力的貪婪需求。
二、人工智能公共數據平臺：AI時代的核心基礎設施
人工智能公共數據平臺旨在匯聚、治理、開放和共享多源異構數據，為AI研發、應用創新和產業發展提供高質量、標準化、易獲取的數據資源與服務。它是降低AI開發門檻、促進協同創新、保障數據安全與主權的基礎性平臺。當前此類平臺面臨數據體量巨大、處理實時性要求高、隱私安全保護嚴格、多任務并發負載重等多重挑戰。
三、PIM技術與AI公共數據平臺的融合前景
將PIM技術深度融入人工智能公共數據平臺的架構中，有望從底層重塑其數據處理能力，催生新一代高性能、高能效、高安全的平臺范式。
- 實現實時智能分析與決策：在公共數據平臺上，政務、交通、醫療、環境等流數據源源不斷。PIM技術能夠支持在數據存儲端進行實時的特征提取、模型推理（如異常檢測、趨勢預測），實現“數據即處理”，滿足城市大腦、應急指揮等場景對毫秒級響應的需求，極大提升平臺的服務響應能力。
- 賦能高效聯邦學習與隱私計算：公共數據平臺常涉及敏感數據，直接集中處理存在隱私風險。聯邦學習允許數據不出本地進行模型訓練。PIM硬件可以在各數據持有方的存儲設備內高效完成本地模型訓練與更新的計算，大幅提升聯邦學習的效率，同時其硬件特性也有助于加固隱私計算（如安全多方計算）的執行環境，為數據“可用不可見”提供更可靠的硬件底座。
- 加速大規模預訓練與模型服務：平臺需要為AI開發者提供基礎的預訓練大模型服務。PIM架構特別適合大模型海量參數的高效加載與推理。通過將模型參數存儲在具備計算能力的內存中，可以極大加速自注意力機制等核心運算，降低大模型服務的能耗與成本，使平臺能夠更經濟地提供強大的模型即服務（MaaS）。
- 支撐異構數據統一處理：平臺數據包括文本、圖像、視頻、傳感器時序數據等。PIM架構的靈活性可以設計針對不同數據類型的專用存算單元，在近數據端完成特定預處理（如圖像解碼、特征編碼），形成異構計算流水線，提升整體處理效率。
- 降低平臺總體擁有成本（TCO）：通過節省大量的數據搬運能耗和縮短任務處理時間，PIM技術能夠顯著降低數據中心的電力成本和硬件規模需求，這對于需要持續處理PB乃至EB級別數據的公共平臺而言，意味著長期運營成本的實質性下降。
四、挑戰與展望
盡管前景廣闊，PIM技術在AI公共數據平臺的規模化應用仍面臨挑戰，包括硬件生態成熟度、編程模型與軟件棧的適配、不同PIM技術路徑（如基于DRAM、新興非易失存儲器、或混合架構）的標準化等。
我們有望看到“PIM芯”與“AI平臺”的協同進化：一方面，PIM硬件將變得更通用、更易編程；另一方面，AI公共數據平臺的設計將從軟件定義走向“軟硬協同”定義，深度優化數據布局與計算任務調度以發揮PIM最大效能。兩者的深度融合，將不僅加速AI自身的發展，更能強力賦能數字經濟與社會治理，推動形成一個更高效、普惠、安全的人工智能數據基礎設施，釋放數據要素的倍增價值。
