该文综述以内存为中心的计算系统，探讨存内计算（PIM）架构如何缓解处理器内存访问瓶颈与能耗问题，并评估其在机器学习训练中的潜力。研究提出NicePIM优化方案、记忆层图神经网络、故障感知框架FARe及轻量级算子Epitome等。实验表明，PIM在吞吐量、能效和准确率上优于传统CPU和GPU，可应用于边缘计算与可持续计算。

本文讨论成功与失败之间的关系，以及机器学习训练和JS程序员讨论渲染静态HTML的话题。