从光输入提取特征
利用器件的光电响应与状态变化，保留输入中的部分时序和空间信息。
认识感存算
让信息在产生和存储的地方参与计算。感存算协同设计，将适合前移的处理放到感知端与存储阵列，为持续运行的智能设备提供更高效的视觉前端。
计算的开销，也发生在搬运途中
识别一幅图像，需要反复使用模型权重和中间特征。传统链路从存储器取出数据，送入处理器计算，再写回结果。总线传输、缓存访问和数据读写都会消耗时间与能量。
持续视觉任务不断产生新帧，同一组权重却可能被反复调用。把常用权重留在阵列中，并让适合映射的运算就地完成，可以减少这部分往返。对电池与散热空间有限的智能眼镜而言，这为持续感知提供了新的能效优化路径。
让存与算靠近，有不同的实现方式。
关键在于计算发生在哪里、权重怎样被访问。下面以典型结构说明三种思路，实际芯片可以组合使用不同架构。
架构参考图来源：知存科技，用于原理对照。
近存计算
将计算单元部署在存储器附近，缩短互连距离，提高数据访问带宽。存储与运算仍由各自的电路承担。
存储器 → 邻近计算单元
缩短数据移动距离
一组电压，怎样完成乘加？
先将权重映射为器件电导 G，再将输入映射为电压 V。在适合的读出范围内，单元电流满足 I = V × G，相当于完成一次乘法。
一列上的电流在汇合处相加，得到 Iⱼ = Σᵢ VᵢGᵢⱼ。多列同时读出，就能并行得到一组加权结果。这是电导阵列执行矩阵向量乘法的基本原理，也可用于映射卷积运算。
下方交互示例用小型矩阵展示这一过程。改变输入即可观察各单元与整列的结果；数值用于原理演示。实际电路还需完成尺度映射、正负权重表示与输出转换。
① 调整输入
② 权重驻留在阵列中
| 输出列 1 | 输出列 2 | 输出列 3 |
|---|---|---|
| 1G11 | 0G12 | 2G13 |
| 0G21 | 2G22 | 1G23 |
| 3G31 | 1G32 | 0G33 |
输入改变，权重保持不变。
色深表示本次数值乘积的相对大小。
③ 观察列输出
y14
y25
y34
交互采用无量纲数值演示 y = xG，仅解释加权求和，不代表实测精度、时延或能耗。理想电导阵列中，单元电流由输入电压与电导决定，列电流相加形成输出；真实系统还需要驱动、读出、转换与标定。
再向前一步，把感知纳入计算
玄光明鉴将光电感知与存储计算协同设计。感内模式利用器件的动态响应保留时间信息、提取时序特征；存内模式以稳定电导保存映射权重，完成适合阵列的卷积乘加。
原位抑噪与自适应选谱改善输入和编码条件，驱动采集链路负责调控与读出。数字主控继续承担文字解码、翻译、任务调度和交互，使器件、阵列与软件各自发挥优势。
以驻留权重执行乘加
将适合映射的运算放在阵列中，让权重在存储位置参与计算。
连接结果与任务
完成读出控制、数字处理、文字解码、翻译及交互等工作。
这条路线，带来哪些设计机会？
持续输入，复用权重
面向连续图像与时序信号，复用已写入的权重，减少重复访存。
前端提取，有效输出
围绕具体任务提取特征，再向后级传递所需信息，优化处理链路。
软硬件共同适配
将量化、阵列映射、校准与数字处理结合，在精度、吞吐和能耗之间寻找适合产品的配置。
几个常见问题
它适合哪些任务？
适合可映射的矩阵乘加、卷积和时序特征处理，可作为图像识别、语音信号分析与场景感知的前端。具体算子需要结合阵列规模和读出精度选择。
存内计算会替代整个主控吗？
系统通常采用协同架构：阵列执行适合并行映射的运算，数字主控处理控制逻辑、复杂算子与应用交互。两者通过驱动和读出接口连接。
怎样评价实际能效？
使用同一任务与精度目标，统计包含驱动、转换、读出及数字处理的完整链路，并考察输入速率、延迟与温升。器件操作能耗用于说明局部能力。
三类架构有明确的优劣顺序吗？
不同资料的术语边界有所交叠。这里按运算位置帮助理解；实际选择取决于任务、工艺、精度与系统集成需求，多种方式也可以组合使用。