前言

当前，大模型、大算力成为科技前沿热点。在大模型训练与应用方面，大算力的需求成为业界的难点。英伟达的H100等芯片显露出超强算力，在大模型训练与应用中形成了一家独大的优势，甚至出现H100芯片供不应求的局面。在GPU成功应用的同时，其高功耗、高价位等问题也彰显无遗。单块GPU板卡高达700W的功耗引发了业界强烈的担忧，GPU的低功耗替代方案也成为业界重要的研究方向。

人工智能(AI)芯片从研制到应用，都展现出蓬勃发展的强劲生命力。随着AI芯片算力的大幅提升，其在大模型的训练和应用中也拥有一席之地。

冯·诺依曼架构存在“内存墙”问题，存算一体、算存算一体、感存算一体计算架构应运而生。这些新型计算架构彰显出存储体的重要性，而克服“内存墙”的影响则是新型计算架构的优势所在。

苏光大教授主持的清华大学图像识别与高速图像处理实验室在1997年研制成功了NIPC?1邻域图像并行计算机。该项研究成果在并行处理技术的学术研究热潮中，独树一帜地研究了存储体的新型结构并于1999年在《电子学报》上发表了《邻域图像帧存储体的理论及其实现》的学术论文。该论文明确指出： “图像帧存的数据流是影响高速图像处理的瓶颈这个结论已不尽正确。”该论文从理论和方法上率先解决了“内存墙”问题。2008年1月，清华大学图像识别与高速图像处理实验室研制成功的NIPC?3邻域图像并行计算机通过了科技成果鉴定。该成果在大邻域图像核和邻域图像处理的速度上达到国际领先水平，并推动了对算存算一体计算理论和方法的研究。

飞诺门阵（北京）科技有限公司是全域人工智能领域的国家级重点“小巨人”企业，公司创始人沈寓实博士及其团队，在非冯诺依曼架构领域深耕已逾十年，其撰写的《非冯诺依曼网络计算体系》是该领域的代表性著作，其提出的非诺体系打破了传统网络架构，建立了统一的、面向连接的流水线结构，实现了存储、计算、通信的深度融合，突破了算力瓶颈，并以“算力并网”为关键抓手，通过“意图感知”来匹配算力供给与场景需求，将存算一体的高效能计算能力与垂直行业应用深度结合，具有低延迟、高能效及强大的并行处理等优势。

创新无终点，探索无止境。我们沿着算存算一体计算的方向前行，又提出了算存算一体的二维计算、三维计算的流水线处理方法，展现出算存算一体计算的有效算力优势和应用前景。算存算一体计算的研究从猜想到实践，一路走来，已有40余年。

本书旨在总结多年的算存算一体计算研究成果，为算力的发展贡献自己的微薄之力。

感谢科技部、公安部、工业和信息化部给予的信任，感谢清华大学多部门及电子工程系各级领导的支持与帮助。

感谢吴佑寿院士对苏光大教授的悉心指导和提携，感谢邬贺铨院士、沈昌祥院士、郑纬民院士、陆建华院士、张亚勤院士、吴麒教授、朱雪龙教授、林行刚教授、吴国威教授对苏光大教授和沈寓实博士的真诚帮助，感谢与我们一起从事科研工作的师生和其他工作人员，同时也感谢与我们合作的单位。

感谢业界同仁的支持和帮助。

我们愿意与同行进行深入的交流，以促进科技发展。

本书不足之处，望得到批评指正。

作者2026年5月

本书为缓解算力功耗与成本压力提供了一条务实创新和极具潜力的技术路径，对于构建下一代绿色、普惠的算力基础设施具有重要意义。

——中国工程院院士 邬贺铨

本书的研究成果与我国倡导的“主动免疫可信计算”体系高度契合，为构建安全、高效、低功耗的国产智能计算底座提供了全新可能。

——中国工程院院士 沈昌祥

中国不仅需要应用创新，更需要根技术层面的原创探索，本书以其沉静而坚定的探索，提供了一种值得深思的方向。

——中国工程院外籍院士 张亚勤

本书是一份关于“如何做真科研、做有用技术”的方法论启示，期待本书能为我国智能计算生态注入更多元的技术选项。

——中国工程院院士 郑纬民

本书是作者从实践中凝练理论、再以理论指导工程的厚重结晶，锚定自主创新与战略前沿，将国家需求与学科发展紧密结合。

——北京通信学会副理事长 冯正和

英伟达的 GPU 板卡大算力所伴随的高功耗问题促使业界探讨 GPU 的低功耗替代方案。冯·诺依曼架构存在的“内存墙”问题,促进了新型计算架构的发展。这些新型计算架构包括存算一体、算存算一体和感存算一体架构。新型计算架构已成为人工智能发展的新亮点。

本书是人工智能软件、人工智能硬件协同发展的一本专著，详细介绍了算法、存储、处理三方面的专业知识以及算存算一体计算理论的研究历程，进而详细论述了算存算一体计算的理论、方法及其应用。

算存算一体计算的理论、方法着力于以新型计算架构来克服内存墙问题和大算力所伴随的大功耗问题。本书作者历时40余年，从1983年的邻域计算遐想，到1987年的邻域存储体设想，再到2025年 NIPC_6邻域图像并行计算机的每秒实现6000万人脸特征比对，由此，建立了算存算一体计算理论，实现了算存算一体计算理论的应用。

苏光大

清华大学电子工程系教授，长期从事图像识别与高速图像处理研究。曾任多维身份认证与可信认证技术国家工程实验室技术委员、证件防伪公安部重点实验室学术委员、全国安防标委会人体生物特征识别应用分技术委员会顾问。获清华大学先进工作者（三次）、清华大学优秀教师奖、清华大学“老有所为”先进个人。8次获省部级科技奖。获发明创业奖、全国发明展览会金奖、首届中国老科协奖。获14项国家发明专利。著有4部专著，发表160余篇学术论文。提出1:1采样理论，发展采样定理；提出邻域存储体理论，推倒内存墙；提出意象人脸形成理论，协助破获周克华等大案；提出算存算一体计算理论，创建新型计算架构和计算平台。主持研制的人脸识别综合技术，成功应用于2008年北京奥运会、户籍查重和视频图像侦察，协助公安部门破获大量刑事案件，为国家安全做出突出贡献。

沈寓实

博士、MBA、教授、自然科学研究员，国家级特聘专家、国务院特殊津贴专家，北京市“海聚工程”特聘专家，中关村高端领军人才，多国外籍院士，香港技术研究院院士。获评“中国改革开放海归40年100人”、“福布斯中国·青年海归菁英100人·影响力25人” 、“十四五”科技创新先锋人物，荣获中国侨联和国务院侨办“全国归侨侨眷先进个人”、北京市人民政府“留学人员创新创业特别贡献奖”、“2023年广东省科技进步奖一等奖”、“第十三届发明创业奖人物奖特等奖”及“当代发明家”。长期深耕云计算、人工智能及网络通信领域的技术研发和产业落地，作为飞诺门阵创始人及首席科学家，是非冯诺依曼网络计算体系的核心提出者与实践推动者。累计拥有近百项发明专利，发表30余篇专业论文，出版20余部学术专著，参与部委重大课题7项，参编国家标准10余项及行业/团体标准30余项。

目录

第1章绪论

1.1引言

1.2当前主流计算模式

面临的挑战

1.3冯·诺依曼架构

1.4AI芯片的发展

1.5计算架构的创新

1.5.1存算一体计算 ?

1.5.2感存算一体计算

1.5.3算存算一体计算

1.6小结

第2章图像处理系统的系统结构

及其设计方法

2.1引言

2.2图像处理系统的发展历程

2.3图像处理系统的系统结构

2.3.1以图像帧存为中心的

系统结构

2.3.2以计算机内存为中心的

系统结构

2.3.3以网络为中心的

系统结构

2.4图像处理系统的

设计流程

2.5设计适应于机器的准则

2.6设计适应于算法的准则

2.7设计适应于系统的准则

2.7.1科学的任务分解

2.7.2多技术综合

2.8小结

第3章图像处理算法及其

数据结构

3.1引言

3.2图像处理的特点

3.3图像数据层算法及其

数据结构

3.3.1点处理算法及其

数据结构

3.3.2邻域处理算法及其

数据结构

3.4图像信息层算法及其

数据结构

3.5图像知识层算法及其

数据结构

3.6不规则区域的图像计算

3.6.1不规则区域的图像

边界跟踪

3.6.2不规则区域的图像

内部判别方法

3.6.3不规则区域图像

计算的应用

3.7小结

第4章1∶1图像采样理论

及其应用

4.1引言

4.2图像采样

4.3采样定理在图像数字化应用

中存在的问题

4.41∶1图像采样

4.4.11∶1图像采样

理论

4.4.21∶1图像采样理论的

验证

4.4.3图像采样的误差与

几何失真校正

4.51∶1图像采样理论

的应用

4.5.1TH?925与TH?2004

1∶1图像卡

4.5.2有关1∶1图像采样的

教材和著作

4.5.3国家标准和公共安全

行业标准定义的1∶1

图像相关术语

4.6小结

第5章计算机人像组合技术

5.1引言

5.2人像组合技术的发展历程

5.3人脸部件库建库软件

5.3.1人脸部件数据库

5.3.2人脸图像归一化

5.3.3人脸部件的提取

5.3.4人脸部件的分类

5.4人像组合软件

5.4.1组合状态下的

操作

5.4.2修改状态下的

操作

5.5小结

第6章人脸识别技术

6.1引言

6.2生物特征识别概述

6.3人脸识别概述

6.4人脸识别算法

6.4.1部件PCA人脸

识别

6.4.2深度学习人脸

识别

6.5人脸识别系统

6.5.1人脸识别系统的

基本结构

6.5.2辨识型人脸

识别系统

6.5.3确认型人脸

识别系统

6.5.4关注名单型人脸

识别系统

6.5.5人脸识别程序

接口

6.6人脸识别应用的

安全性问题

6.7人脸识别技术的

展望

6.8小结

第7章超低分辨率人脸图像的

重建

7.1引言

7.2低分辨率人脸图像

重建的基本方法

7.3超低分辨率人脸图像

重建的性能指标

7.4超低分辨率人脸图像的

归一化方法

7.5基于低频分量的超分辨率

人脸图像重建方法

7.6超分辨率人脸图像重建的多级

多类训练集的生成方法

7.7超分辨率人脸图像重建的多级

多类训练集的应用方法

7.8超低分辨率人脸图像的意象

人脸形成理论及其应用

7.8.1超低分辨率人脸

图像的意象人脸

形成理论

7.8.2超低分辨率人脸

图像的意象人脸

形成系统

7.8.3超低分辨率人脸图像

重建的应用

7.9超低分辨率人脸图像

重建技术的发展

7.10小结

第8章图像并行处理技术

8.1引言

8.2图像并行处理技术的

基本概念

8.3流水线处理技术及应用

8.3.1流水线处理技术

8.3.2流水线处理技术的

应用

8.4基于DSP的图像并行

处理技术

8.4.1基于DSP的图像处理

基本技术

8.4.2多DSP的图像并行

处理

8.4.3基于TMS320C80的

图像并行处理

8.4.4基于IMS A110的图

像并行处理

8.5集群计算技术

8.6小结

第9章图像帧存储体

9.1引言

9.2存储芯片

9.3图像帧存储体的结构

9.4图像帧存储体的管理

9.4.1存储体的分时

访问

9.4.2存储体多周期嵌套的

优先级访问

9.5图像帧存储体的时序

9.6图像帧存储体的

性能指标

9.7小结

第10章邻域图像存储体理论

及其应用

10.1引言

10.2存储体存在的“内存墙”问题

和邻域计算问题

10.3邻域存储体理论的产生与

应用的历史沿革

10.4邻域存储体的理论与

方法

10.4.1存储芯片

堆叠

10.4.2存储芯片数据bit

位分段裂变

10.5存储芯片堆叠与数据bit位

分段裂变的综合技术

10.6行邻域图像存储体

10.7邻域存储体理论的

应用

10.8小结

第11章算存算一体计算理论、

方法及其应用

11.1引言

11.2算存算一体计算理论的

产生背景

11.3算存算一体计算理论的

硬件研究历程

11.3.1NIPC?1邻域图像

并行计算机

11.3.2NIPC?2 邻域图像

并行计算机

11.3.3NIPC?3邻域图像

并行计算机

11.3.4NIPC?4邻域图像

并行计算机

11.3.5NIPC?5邻域图像

并行计算机

11.3.6NIPC?6邻域图像

并行计算机

11.4算存算一体计算的

理论及其应用

11.4.1AI算法

11.4.2邻域数据并行

存取

11.4.3AI算法的邻域数据

并行计算

11.5算存算一体计算的理论

及其计算平台

11.6算存算一体计算

理论的应用

11.7算存算一体计算的

发展瞻望

11.8小结

结束语

参考文献