✓ 已解锁完整内容
数字存算一体 vs. 模拟存算一体
数字和模拟两条路线各有致命优势和致命缺陷，选择哪条路取决于具体应用场景。
数字存算一体（Digital CIM）：在SRAM的每一列位线末端嵌入一个乘法累加器（MAC）。当存储阵列被激活时，多个字线上的数据同时进入MAC进行并行计算。优势是精度无损，可以支持INT8甚至FP16计算，结果可复现。劣势是面积开销大，每个MAC单元占用的面积约等于256个SRAM存储单元。数字CIM更适合对精度要求高的场景，如AI训练中的梯度计算、科学计算等。
模拟存算一体（Analog CIM）：利用存储单元本身作为可编程电阻，通过欧姆定律和基尔霍夫电流定律直接在模拟域完成乘法和加法。优势是能效比极高。后摩智能的鸿途H30在INT8下达到4.2 TOPS/W，是同等制程下传统数字AI芯片的5到8倍。劣势是精度受限，模拟噪声、器件不一致性和温度漂移都会引入误差。公开数据显示，基于RRAM的模拟CIM在4位精度下可以保持99%的计算准确率，但到8位精度就下降到约95%。
一个值得关注的技术趋势是数模混合方案。用模拟CIM完成大矩阵乘法（这是AI计算中占比最高的操作，约占85%），在精度不敏感的场景下发挥能效优势；用数字逻辑完成激活函数、归一化等对精度要求高的操作。这种混合架构可能是近期最实际的商业方案。
存储介质的选择：SRAM、RRAM、MRAM与闪存
CIM的存储介质选择直接影响芯片的性能、功耗和可靠性。
- SRAM：最成熟的方案。工艺成熟，读写速度快，耐久性无限。但面积大（6T单元），漏电流高。适合对可靠性和速度要求高的场景，潜力上限在28nm到7nm制程。
- RRAM（阻变存储器）：基于金属氧化物薄膜的电阻切换效应。存储单元可以做到4F²（F为制程特征尺寸），密度远高于SRAM。模拟计算特性优秀，多值存储可以实现每个单元存储3到4位。但耐久性有限（约10的6次方次写循环），器件一致性控制困难。台积电在2025年将RRAM嵌入到了其22nm ULL工艺平台中。
- MRAM（磁阻存储器）：基于磁性隧道结的电阻状态。耐久性极高（超过10的12次方），辐射耐受性强。但写入功耗较高，单元面积比RRAM大。三星在2025年量产了28nm嵌入式MRAM。
- NOR Flash：已经在成熟的MCU工艺中被广泛使用。Mythic的方案就是基于模拟闪存。优势是工艺成熟成本低，劣势是写入速度慢且耐久性有限。
商业化落地场景与投资机会
2026年是存算一体芯片的商业化元年，但市场正在向两个方向分化。
云端AI推理与训练：这是市场空间最大但也最难攻入的方向。三星的HBM-PIM将计算嵌入HBM堆叠中，理论上可以大幅降低数据搬运开销。英伟达已经对这条技术路线表达了兴趣，但目前的HBM-PIM在灵活性和通用性上还远不如传统GPU。一个可能的路径是：HBM-PIM与大模型推理中的特定算子（如注意力机制）深度绑定，作为一种专用加速器挂载在GPU旁边。
端侧AI推理：这是存算一体芯片最适合的战场。智能手表、TWS耳机、AR眼镜、智能家居设备需要在极低功耗下实现"Always On"的AI能力。Mythic和后摩智能都在瞄准这个方向。端侧AI的市场规模可能在2028年达到200亿美元，存算一体芯片如果能拿到10%的份额，对应的就是20亿美元的市场空间。
从投资角度看，存算一体芯片目前处于Gartner曲线的"稳步爬升期"的早期。技术可行性已被验证，首批产品已经产生实际收入，但距离大规模商业化还有两到三年的距离。关键跟踪指标包括：大客户的采用情况、芯片在某一体量市场的出货量突破百万颗、能效比能否在量产中保持实验室水平。
国内值得关注的公司包括后摩智能（SRAM路线）、知存科技（闪存路线）、忆阻科技（RRAM路线）。三家公司都已经完成多轮融资，处于产品商业化落地的关键阶段。风险方面，最大的不确定性来自竞争格局：英伟达、AMD和英特尔如果推出集成存算一体功能的下一代产品，初创公司的窗口可能迅速收窄。
