存算一体芯片进入产业化深水区：量产交付与场景匹配成为核心竞争壁垒

事件概述

2026年，存算一体（Processing-in-Memory/Compute-in-Memory）技术正式进入产业化交付的关键阶段。随着小米发布玄戒O100芯片、东方算芯DF1000进入量产、后摩智能M50实现多场景落地，该赛道已从“技术可行性验证”转向“规模化交付能力”的竞争。IIM数据显示，2025年全球存算一体市场规模达48.7亿美元，预计2030年将增至312.5亿美元，产业重心正由学术概念向实际商业价值转移。

核心信息与技术分化

1. 技术路线的多维选择
存算一体并非单一技术，而是根据计算靠近数据的位置和介质不同，分为近存计算（PNM）、存内处理（PIM）和存内计算（CIM）。当前行业主要在以下三个维度进行技术选型：

• 存储介质：
  • SRAM：工艺成熟、速度快，但容量受限。2025年占据全球出货量54%的市场份额，主导数字存算方案。
  • NOR Flash：适合低功耗场景，在可穿戴设备中应用广泛。
  • RRAM/MRAM：具备非易失性和高密度潜力，但面临器件一致性和制造成熟度挑战，目前处于小批量验证阶段（2026年预计出货1200万颗）。
• 计算方式：
  • 数字存算：精度和鲁棒性高，支持复杂模型，2025年市场份额为55.3%。
  • 模拟存算：能效优势明显，但需解决噪声和漂移问题，占比27.8%。
  • 数模混合：预计2026年份额将升至30.5%。
• 集成架构：
  • 二维 vs 3D：3D堆叠解决垂直集成距离问题，常与HBM等技术结合（如三星HBM PIM），但与存算一体本身属于不同维度的技术。3D CIM是将存算单元与3D存储结合的前沿方向。

2. 产业化面临的三道门槛

• 工程化稳定性：需克服电压、温度、工艺偏差带来的性能波动，确保芯片在不同批次和环境下的表现一致，避免停留在Demo阶段。
• 软件工具链生态：硬件架构变化要求编译器、量化算法和框架适配同步升级。目前工具链碎片化严重，能够兼容PyTorch/TensorFlow并降低部署门槛的企业更具竞争力（如后摩智能自研软件栈）。
• 市场场景匹配：技术必须解决传统架构在特定场景下的瓶颈。例如，NOR Flash模拟存算因满足可穿戴设备的极致低功耗需求而率先爆发；SRAM数字存算则因应对端侧大模型的带宽压力而获得机会。

值得关注：场景落地与未来趋势

1. 两大主流落地场景

• 低功耗终端：以知存科技为代表，基于NOR Flash的模拟存算芯片已在华为、小米等品牌的智能手表、耳机中实现千万级出货，满足实时语音识别等轻量AI任务。
• 端侧大模型推理：以后摩智能M50为代表，采用SRAM数字存算架构，在10W功耗下提供160 TOPS算力，可流畅运行30B-122B参数的大模型。该产品已应用于联想AI主机、长城终端及陪伴机器人，标志着存算一体开始承载更复杂的AI负载。

2. 新兴探索方向

• 3D集成深化：三星推出HBM PIM，在DRAM层间嵌入计算逻辑；后摩智能等也在推进3D CIM研发，试图同步提升存储容量、带宽和算力。
• 新型存储器验证：亿铸科技（ReRAM）和寒序科技（eMRAM）正在推进工程样片流片，旨在利用非易失性特性优化边缘AI能效，但工程化难度较高。

结论：存算一体的竞争焦点已从理论指标转向量产良率、工具链完善度及真实终端销量。最先规模化的路线往往是制造成熟度高且应用场景明确的方案，而非单纯理论性能最优者。