存算一体：重构AI计算的革命性技术（2）
三、存算一体领域的主要企业与产品
3.1 国际领军企业：Mythic与Graphcore
3.1.1 Mythic：模拟内存计算的先行者
Mythic是存算一体领域的先行者，成立于2012年，总部位于美国德克萨斯州奥斯汀和加利福尼亚州硅谷，由Mike Henry和Dave Fick共同创立。公司专注于开发独特的模拟内存计算技术和模拟矩阵处理器，为AI推理提供节能解决方案，特别是在物联网、机器人和消费设备等边缘应用中。
Mythic的核心产品是模拟矩阵处理器（AMP，Analog Matrix Processor），这是一种将闪存与模拟计算集成在一起的创新架构，以实现低功耗、高性能的AI推理。每个AMP模块都包含Mythic ACE（模拟计算引擎），它结合了闪存、ADC、带有32位RISC-V处理器的数字子系统、SIMD矢量引擎和高吞吐量片上网络（NoC）。这种设计使Mythic的芯片能够提供高达25 TOPS的AI性能，同时最大限度地降低功耗和热挑战。
Mythic的旗舰产品M1076是该公司的首款商业芯片，集成了76个AMP块，可存储多达80M的数据，无需任何外部存储器即可执行矩阵乘法运算。该芯片已经向洛克希德马丁公司等知名客户发货，并在YOLOv5等全高清高精度物体探测器上实现了仅33毫秒的延迟，同时系统的运营成本也被控制在了合理的范围内。
2023年，Mythic宣布完成了1300万美元的新一轮融资，用于将下一代产品M2000系列推向市场。M2000建立在M1076的基础之上，效能是普通数字解决方案的10倍，未来将广泛应用于无人机、摄像头、沉浸式AR头盔和巨型机器人等各类产品，为国防应用、企业、工业环境、智能城市、智能家居等领域开创下一个人工智能新时代。
Mythic的技术优势在于其模拟计算方法，与数字处理器相比，在性能和效率上有巨大的飞跃。据报道，Mythic的模拟内存计算技术与行业标准的AI推理数字CPU相比，价格便宜10倍，功耗低3.8倍，执行速度快2.6倍。这使得Mythic能够为边缘AI应用提供高性价比的解决方案。
3.1.2 Graphcore：IPU架构的创新者
Graphcore是另一家在存算一体领域具有重要影响力的公司，成立于2016年，总部位于英国布里斯托尔。公司专注于研发智能处理单元（IPU，Intelligence Processing Unit），为AI计算提供全新的技术架构，同时将训练和推理合二为一，兼具处理二者工作的能力。
Graphcore的IPU采用了与传统GPU完全不同的架构设计。IPU芯片没有高速的片外存储，而是把存储放到了片上。整个芯片由多个核心组成，称作Tile。每个Tile由独立的计算单元和存储单元组成，整个片上存储是分布式的。每个Tile中有624KB的SRAM，整个芯片的存储大小为624KB乘以Tile数量。例如，GC200 IPU处理器有1472个Tile，整个芯片的存储容量约为900MB。
IPU芯片采用纯分布式的架构，每个Tile有自己的存储和计算资源，采用MIMD（多指令多数据）的计算架构（与NVIDIA CUDA的SIMT不同），每个Tile可以独立地执行不同的指令，可以独立地访存。Tile和Tile之间的memory不能共享访问Tile和Tile之间的memory不能共享访问，只能访问自己Tile内部的memory（称为local memory）。因此，整个芯片的访存带宽等于单个Tile访存带宽乘以Tile数量，这使得IPU能够提供极高的内存带宽，有效缓解“存储墙”问题。
在软件支持方面，Graphcore开发了Poplar SDK，从芯片设计阶段就与硬件协同优化，支持主流机器学习框架（如TensorFlow、PyTorch），能将复杂神经网络模型高效映射到IPU架构上。其独特的编程模型无需开发者手动管理数据在不同Tile间的分配，SDK会自动完成任务拆分与数据调度，降低开发门槛。
Graphcore的IPU产品系列以IPU-M2000为代表，它基于Colossus Mk2 IPU核心，集成1 PetaFLOP的AI计算能力，拥有3.6GB处理器内内存和256GB流式内存，采用1U刀片式设计，可灵活组建IPU-POD集群（如IPU-POD256含64个IPU-M2000，算力达64 PetaFLOPS），适用于大模型训练与大规模推理场景。
不过，Graphcore的发展也面临挑战：2022财年营收270万美元（同比降46%），亏损扩大至2.046亿美元；受美国AI半导体出口管制影响，2023年其中国区大幅裁员并停止在华销售；2024年7月，Graphcore被软银以约5亿美元收购（较2020年28亿美元估值缩水82%），虽保留原有品牌运营，但市场竞争力较英伟达等头部企业仍有差距。
3.2 中国创新企业：知存科技、后摩智能与九天睿芯
3.2.1 知存科技：中国存算一体产业化先行者
知存科技成立于2018年，总部位于北京，是国内最早实现存算一体芯片量产的企业之一，核心技术聚焦基于非易失性存储器（RRAM/忆阻器）的存内计算，创始人王绍迪团队拥有多年存储芯片研发经验，技术积累覆盖从器件设计到系统集成的全链条。
公司的核心产品是WTM系列存内计算SoC芯片，其中2022年量产的WTM2101是国际首颗商用存内计算SoC，采用40nm工艺，集成180万个非易失性存储计算单元，支持8bit精度矩阵乘加运算，通过特殊电路设计抑制阈值电压漂移对精度的影响，可直接运行DNN、CNN、RNN等神经网络模型。
在性能与功耗平衡上，WTM2101表现突出：运行高算力AI算法时功耗低至微安级，免唤醒命令词识别（数百个指令）整体功耗＜1mA，NN环境降噪算法功耗仅1-3mA，典型场景工作功耗达微瓦级，远低于传统数字芯片（如同等算力的MCU+NPU方案功耗通常在几十至几百毫安）。
商业化进展方面，WTM2101上市不到1年便落地可穿戴设备（智能手表健康监测）、TWS耳机（语音唤醒）、智能家居（离线语音控制）、助听辅听设备（实时降噪）等场景，合作客户包括华为、小米生态链企业及头部消费电子厂商。此外，知存科技还推出配套开发工具链，支持模型量化、编译优化与调试，降低客户集成难度。
技术路线上，知存科技选择RRAM作为核心存储介质，优势在于：与CMOS工艺兼容性好（已在台积电40nm、22nm节点验证）、掉电数据不丢失（适合低功耗待机场景）、存储密度高（支持3D堆叠扩展）。2024年，公司推出升级版WTM3000，算力提升至512 GOPS，支持16bit精度计算，可适配更复杂的边缘AI任务（如轻量化图像识别）。
3.2.2 后摩智能：端侧大模型存算一体突破者
后摩智能成立于2020年，总部位于上海，由前地平线芯片架构师吴强博士创立，核心方向是基于SRAM的存算一体芯片，主打“端侧大模型部署”场景，解决传统芯片在端侧运行百亿参数模型时“算力不足、功耗过高”的痛点。
公司的旗舰产品后摩漫界M50（2025年Q4量产）是国内首款单芯片支持百亿参数大模型的存算一体芯片，采用自研第二代IPU架构“天璇”，核心参数亮眼：
- 算力：160 TOPS（INT8精度）、100 TFLOPS（bFP16精度）；
- 存储：最大48GB内存，内存带宽153.6 GB/s；
- 功耗：典型功耗仅10W（相当于手机快充功率），能效比是传统GPU的5-10倍；
- 兼容性：直接支持浮点运算（无需模型量化），可运行1.5B-70B参数模型（如Llama 2、Qwen-7B）。
为降低开发门槛，后摩智能重构了编译器“后摩大道”，采用自动优化算子技术：开发者只需输入模型Graph，编译器会自动搜索最优计算策略，无需手动调整数百个优化参数；同时支持TensorFlow/PyTorch模型直接导入，避免传统存算芯片需“模型重写”的麻烦。
基于M50的多芯互联技术，后摩智能推出多元化硬件方案：
- 力擎LQ50 M.2卡（口香糖大小）：适配AI PC、陪伴机器人，支持7B模型推理（＞25 tokens/s）；
- 力谋LM5070加速卡（4颗M50芯片）：算力640 TOPS，用于边缘服务器大模型推理；
- BX50计算盒子：支持32路视频分析+本地大模型运行，适用于智能安防、工业检测。
商业化方面，后摩智能已与联想（下一代AI PC）、科大讯飞（智能语音设备）、中国移动（5G+AI边缘盒子）达成合作，聚焦消费终端、智能语音、运营商边缘计算三大场景，填补了端侧大模型高效部署的市场空白。
3.2.3 九天睿芯：感存算一体化创新者
九天睿芯2018年成立于深圳，由《麻省理工科技评论》“全球35岁以下科技创新者”刘洪杰博士创立，核心技术是“感存算一体化”——将传感器（如图像、语音传感）、存储、计算功能集成在单芯片，主打低功耗、高实时性的边缘智能场景（如机器人、工业传感）。
公司的技术突破在于模数混合存算架构：不同于纯数字或纯模拟方案，九天睿芯在芯片内集成“模拟传感前端+数字存算核心”，传感器采集的原始数据（如模拟电压信号）无需先转换为数字信号，可直接在存储单元内进行预处理（如滤波、特征提取），再通过数字存算核心完成复杂AI计算，大幅减少数据转换损耗，能效比提升10倍以上。
代表性产品ADA200视觉存算芯片（2024年量产），采用28nm工艺，集成图像传感单元、RRAM存算阵列和RISC-V控制核心，支持VGA分辨率图像实时处理（帧率30fps），功耗仅50mW，可对标苹果XR设备的R1芯片，适用于AR眼镜、机器人视觉、工业内窥镜等场景。
在技术落地中，九天睿芯采用“产学研协同”模式：与深圳清华研究院共建“存算一体联合实验室”，将高校的器件优化技术（如低噪声RRAM）转化为量产方案；与富士康、大疆等企业合作，针对工业机器人、无人机的“低延迟环境感知”需求定制芯片功能，2025年预计实现营收突破5亿元。
3.3 其他关键企业与产品
3.3.1 英特尔：近存计算探索者
作为半导体行业巨头，英特尔从2016年起布局存算一体，技术路线以“近存计算（Near-Memory Computing）”为主——在传统CPU缓存或内存控制器附近嵌入专用计算单元，而非完全将计算融入存储，兼容性更强，适合数据中心场景。
其代表性技术是至强处理器PIM模块：在至强可扩展处理器的L4缓存区域集成AI加速单元，支持矩阵乘加、卷积等基础AI运算，可加速数据库查询、推荐系统等数据密集型任务。实验数据显示，在企业级数据中心场景中，搭载PIM模块的至强处理器处理大规模结构化数据时，性能提升30%，延迟降低40%，且无需修改现有软件生态（兼容x86指令集）。
此外，英特尔还联合密歇根州立大学研发基于SRAM的“神经缓存”（2018年发布），可在缓存内直接执行加法、乘法运算，为CPU提供原生AI算力，适用于轻量级推理任务（如实时日志分析）。不过，英特尔的方案更偏向“传统架构升级”，能效比与纯存算一体芯片（如Mythic M1076）相比仍有差距，主要面向对兼容性要求高的存量数据中心市场。
3.3.2 三星：HBM-PIM技术引领者
三星作为全球存储芯片龙头，将存算一体技术与高带宽内存（HBM）结合，推出HBM-PIM（Processing-in-Memory）产品，聚焦AI训练与高性能计算（HPC）场景，解决传统HBM需频繁与GPU交互的“数据搬运瓶颈”。
三星HBM-PIM的核心设计是在HBM内存颗粒内部嵌入简单计算单元（如乘加器），支持在内存中直接完成部分矩阵运算：当GPU需要处理大规模数据时，可将部分计算任务（如中间结果累加）卸载到HBM-PIM中，减少数据在GPU与HBM间的传输量。2024年与欧洲粒子物理研究所（CERN）合作的AI气候模拟项目中，基于三星HBM-PIM的计算平台，数据处理速度提升2.5倍，能耗降低60%，原本需3个月的模拟任务缩短至1.2个月。
此外，三星还布局基于MRAM的存算一体芯片（2022年《Nature》发表成果），采用28nm工艺，通过“电阻总和”架构替代传统“电流总和”设计，在图像分类任务中准确率达98%，适合低功耗边缘场景（如物联网传感器）。目前，三星正推动HBM-PIM的标准化，计划2026年纳入JEDEC HBM3e规范，进一步扩大市场应用。
3.3.3 苹芯科技：端侧轻量场景专注者
苹芯科技成立于2021年，总部位于上海，聚焦智能可穿戴、智能家居等“小端侧”场景，避开与巨头的正面竞争，技术路线基于成熟SRAM工艺，主打“低成本、低功耗”存算一体芯片。
其核心产品S300系列（2023年量产）集成轻量级MCU核心与数字存算单元，采用55nm工艺，算力达128 GOPS（INT8），功耗仅8mW，支持语音唤醒、简单手势识别等任务。在智能手表健康监测场景中，S300可实时分析心率、血氧数据，无需依赖云端，响应延迟＜100ms，相比传统“MCU+独立NPU”方案，成本降低40%，尺寸缩小60%，已进入小米、荣耀等品牌的可穿戴设备供应链。
苹芯科技的策略是“场景深耕”：针对不同端侧设备的需求定制功能（如为TWS耳机优化语音降噪算法，为智能门锁简化图像识别模型），并提供“芯片+算法+开发板”的一体化方案，帮助客户快速落地产品，2025年目标覆盖5000万台端侧设备。