---
title: "存算一體：噱頭還是戰未來"
type: "Topics"
locale: "zh-HK"
url: "https://longbridge.com/zh-HK/topics/40593064.md"
description: "$Everspin科技(MRAM.US) $美光科技(MU.US) $閃迪(SNDK.US) $台積電(TSM.US) $南方兩倍做多海力士(07709.HK) $南方兩倍做多三星(07747.HK) $英特爾(INTC.US) $英偉達(NVDA.US)  $芯原股份(688521.SH)MRAM 又火了，我們 RRAM 什麼時候能好起來存算一體不是新概念，屬於老生常談的了，以前火過一陣..."
datetime: "2026-05-09T03:23:11.000Z"
locales:
  - [en](https://longbridge.com/en/topics/40593064.md)
  - [zh-CN](https://longbridge.com/zh-CN/topics/40593064.md)
  - [zh-HK](https://longbridge.com/zh-HK/topics/40593064.md)
author: "[SpiceMonkey](https://longbridge.com/zh-HK/profiles/17534703.md)"
---

# 存算一體：噱頭還是戰未來

$Everspin科技(MRAM.US) $美光科技(MU.US) $閃迪(SNDK.US) $台積電(TSM.US) $南方兩倍做多海力士(07709.HK) $南方兩倍做多三星(07747.HK) $英特爾(INTC.US) $英偉達(NVDA.US)  $芯原股份(688521.SH)

> MRAM又火了，我们RRAM什么时候能好起来

存算一体不是新概念，属于老生常谈的了，以前火过一阵，但后面因为市场和良率以及设计成熟度等问题被打回了冷宫。最近推理需求大大提升，内存墙又变成了投资场的焦点。借着这个机会抛砖引玉跟大家探讨一下存算的那些事。

存算一体是什么呢，存算一体就是打破冯诺依曼架构......基础概念还是别说了，我们节省宝贵的时间，直接来看数据对比。这是对单个设备的性能比对：（算力基准 INT8 Dense，能效基准 TOPS/W，带宽基准 TB/s）

设备类别

代表产品

算力 (INT8)

功耗 (TDP)

能效比

片上/高带宽内存

内存带宽

架构特性

主流 AI Infra

NVIDIA H100 SXM

1,979 TOPS

700 W

2.8 TOPS/W

80 GB HBM3

3.35 TB/s

存算分离，依赖外部高带宽存储

最先进 AI Infra

NVIDIA Rubin R100

12,500 TOPS

2,300 W

5.4 TOPS/W

288 GB HBM4

22.0 TB/s

原生支持低精度，极高外部存储带宽

最先进 AI Infra

Google TPU v8i

5,000 TOPS

400 W

12.5 TOPS/W

288 GB HBM + 384 MB SRAM

6.5 TB/s

针对推理与低延迟优化，内置大容量片上缓存

量产存算一体

Untether speedAI240

2,000 TOPS

66 W

30.0 TOPS/W

192 MB SRAM

30.0 TB/s

SRAM近存计算，消除外部访存功耗墙

最先进存算一体

SOTA 2026 CIM

50,000 TOPS

333 W

150.0 TOPS/W

400 MB SRAM

150.0 TB/s

全数据通路存内融合，计算密度超60 TOPS/mm²

## 场景一：数据中心超大集群规模估算

俗话说的好，不定量的都是耍流氓，我们来看不同场景下的规模对比。基准条件：总算力需求 100 ExaOPS (INT8)，运行 Llama 3 70B 模型（INT8量化占用 70 GB 显存）。以 SOTA 2026 设备进行估算。

评估维度

方案A：最先进 AI Infra (NVIDIA R100)

方案B：最先进存算一体 (SOTA 2026 CIM)

达成100 ExaOPS设备规模

8,000 张

2,000 颗

装载单模型(70GB)最少设备数

1 张 (单卡288GB，冗余量大)

175 颗 (全分布式网络拼凑物理容量)

集群计算总功耗 (仅芯片)

18.4 MW

0.66 MW

单Token生成延迟极限

~3.18 ms (受制于 HBM4 物理带宽极限)

< 0.1 ms (全数据片内直通，延迟受外部互联限制)

**这里其实衍生出明显的问题：**

**单芯片容量小与算力严重过剩机制**  
由于模拟存算的噪声太大，暂时没法提高太多精度。目前针对大模型的存算大都是数字存算。受光刻机单次曝光面积（800 mm²）的物理学限制，单芯片 SRAM 容量通常触顶于 400 MB。在大模型推理场景下，整个系统需要横跨至少 175 颗芯片进行分布式拼凑。同时，虽然单块芯片计算很强，但是在MoE架构下，芯片闲置率偏高，而且作为完全定制的权重阵列，也不能通过用在其他用途来提高效率（不然不就又变成了搬运数据那一套了，当然也许折中会有不错的效果）。但是，这不是无解的，目前已经有大量的基于3D DRAM，3D RRAM等大容量存储进行存算的研究，效果嘛，只能说未来可期。此外，还有一个办法就是通过晶圆级封装技术（如 TSMC CoWoS / SOIC）与极高带宽的 D2D 接口标准（如 UCIe 3.0），将数十颗小面积存算裸片（Chiplet）封装在同一硅中介层上。D2D 提供 TByte/s 级别的边缘直连带宽与微秒级极低延迟，能在硬件底层将多块裸片的 SRAM 融合成虚拟的数 GB 统一超大缓存，将系统级延迟控制在亚毫秒级别。

## 场景二：边缘设备情况估算与实例

基准条件：边缘设备算力要求严格固定在 50 TOPS (INT8)。

评估维度

边缘 AI Infra (如 Jetson Orin 级)

最先进存算一体 (SOTA 2026 CIM)

提供 50 TOPS 算力的功耗

10 W 至 15 W (超60%功耗用于外部读写)

0.33 W

物理封装占用面积

大面积 (SoC核心 + 多颗外挂DRAM + PCB布线)

毫米级 (单裸片全包，内部集成参数，零外围芯片)

休眠至唤醒机制

从闪存重载数据至内存，耗时长，启动能耗极高

纳秒级阵列加电直算，非易失介质断电零漏电流

**这就是存算一体的看家本领了，主打一个低延迟低功耗轻盈便携，直观应用实例：**

**智能眼镜 (AR/XR)**  
物理限制要求设备总 TDP 控制在 1 W 以内以防烫伤皮肤。SOTA CIM 以 0.33 W 功耗输出 50 TOPS 算力，可以在本地全实时运行百帧率 3D 空间计算、眼动追踪与轻量化端侧视觉大语言模型（VLM），从根本上消除无线传输引发的视觉晕眩与延迟。

**体感外骨骼与神经仿生义肢**  
物理限制要求系统对传感器肌电、脑电信号的响应延迟压缩至微秒级，以实现人体原生肢体级别的神经反馈。在 SOTA CIM 架构中，微秒级处理延迟实现了完全无滞后感的机械反馈控制。

**野外监测与军事微型传感器节点**  
工作寿命按年计算，日常处于深度休眠。一旦传感器捕获声纹或红外特征，芯片在纳秒级瞬间上电并释放 50 TOPS 高精度算力，完成识别后即刻掉电，将设备全生命周期提升数十倍。

那我问你，管你这的那的，就告诉我梭哈哪个吧

唉你先别急，在梭哈之前，先了解一下都有哪些细分方向。

新兴非易失性存储（NVM）主要包括阻变存储器（RRAM/ReRAM）、磁性存储器（MRAM）、相变存储器（PCM）以及铁电存储器（FeRAM/FeFET）。

## 1\. 制造链成本与成熟度评估

新兴存储介质都需要在标准 CMOS 逻辑制程上叠加额外工艺步骤（主要在后端金属线层 BEOL），对设备和材料的要求直接决定制造成本。

存储介质

核心材料

制造链设备要求

CMOS 兼容性

额外光刻掩膜 (Mask)

2026年量产节点

制造成本增量

**MRAM**  
(STT/SOT)

钴铁硼(CoFeB)等铁磁材料+氧化镁(MgO)隧道层

极高。需专用高真空磁控溅射设备（如应用材料、泛林）沉积几十层纳米级薄膜。

BEOL (后端)

3 ~ 4 层

12nm / 7nm

高

**RRAM**

氧化铪(HfOx)、氧化钽(TaOx)等过渡金属氧化物

低。材料大多为晶圆代工厂现有高K介质标准材料，常规 PVD/CVD 设备即可。

BEOL (后端)

1 ~ 2 层

22nm / 12nm

低

**PCM**

硫族化物玻璃 (GST, 锗锑碲)

中等。对沉积工艺和刻蚀后边缘损伤控制要求高。

BEOL (后端)

3 ~ 4 层

28nm / 16nm

中高

**FeFET**

掺杂氧化铪 (HfO2)

低。直接利用高K金属栅极 (HKMG) 标准工艺，晶体管栅极处引入铁电极化。

FEOL (前端) / BEOL

0 ~ 2 层

22nm / 12nm (试产)

极低

**制造链结论**：RRAM 与 FeFET 具有最优的 CMOS 兼容性和最低的掩膜成本增量。MRAM 制造壁垒极高，被少数顶级半导体设备商垄断，但因其在先进制程上的优异表现，代工厂已跨越其量产门槛。

## 2\. 计算与物理性能指标对比

计算性能决定了天花板。

性能指标

MRAM (STT-MRAM)

RRAM

PCM

FeFET

静态随机存储 (SRAM)基准

**单元面积 ($F^2$)**

20 ~ 50

4 ~ 10 (极高密度)

4 ~ 15

4 ~ 10

120 ~ 150 (面积庞大)

**读取延迟**

1 ~ 5 ns

10 ~ 50 ns

10 ~ 50 ns

< 10 ns

< 1 ns

**写入延迟**

10 ~ 20 ns

10 ~ 50 ns

50 ~ 150 ns

~ 10 ns

< 1 ns

**写入能耗 (pJ/bit)**

~ 0.1

0.1 ~ 1.0

10 ~ 100

< 0.01 (电压驱动)

~ 0.001

**擦写寿命 (Cycles)**

\> 10^10 (接近无限)

10^5 ~ 10^7

10^6 ~ 10^8

10^5 ~ 10^7

\> 10^{15}$

**数据保持 (Retention)**

\> 10年 (抗高温)

\> 10年

\> 10年 (受热易变)

\> 10年

断电即丢失

**性能结论**：

-   **MRAM** 拥有比肩 SRAM 的速度与无限擦写寿命，最适合做高频缓存替代。
-   **FeFET** 依靠电场（而非电流）改变极化状态，写入功耗最低，处于理论极值。
-   **RRAM** 与 **PCM** 写入耗时与功耗相对较高，但单元面积极小，适合高密度权重存储（如大模型只读参数固化）。

## 3\. 芯片架构设计特性与挑战

不同物理机制导致存内计算（CIM）模拟电路设计面临不同的技术瓶颈。

存储介质

存算一体 (CIM) 适用性

开关比 (On/Off Ratio)

阻值漂移与随机波动

设计缓解机制 (开销)

**RRAM**

**极佳**。天然支持多值(MLC)存储，适合模拟乘加运算阵列。

高 (100 ~ 1000)

**严重**。电导存在松弛效应与 Read-Disturb。

需设计复杂的写验证(Write-Verify)闭环电路，增加外围控制面积。

**MRAM**

**差**。多数为单比特(SLC)，多比特单元物理实现极其困难。

极低 (2 ~ 3)

较低。热噪声引起的读取裕度小。

极低开关比导致模拟信号读取信噪比过低，只能采用数字存算(Digital CIM)架构。

**PCM**

**良好**。支持多值存储，常用于神经网络训练的突触模拟。

高 (1000+)

较严重。非晶态随时间发生结构弛豫，阻值增大。

硬件级漂移补偿算法；阵列级温度控制反馈。

**FeFET**

**极佳**。支持多值状态，模拟乘加精度高。

极高 (1000+)

较低。受退极化场与界面电荷捕获影响。

周期性刷新机制；优化读出放大器(SA)采样频率。

**设计结论**：RRAM 与 FeFET 具备高开关比，是当前 SOTA 模拟存算一体宏单元的主流技术栈。MRAM 物理特性决定其在模拟 CIM 路径上受阻，全面转向纯数字架构。

## 4\. 制造、部署与商业市场

存储介质

全球主力代工厂

代表企业与平台

2026 量产制程节点

核心市场定位

2026 最新商业与技术状态全景

**MRAM (STT/SOT)**

TSMC, Samsung, GlobalFoundries

Renesas, NXP, Everspin, Truth Memory (TMC)

22nm/16nm (STT量产), 7nm及以下 (SOT试产)

全面接管高级嵌入式市场，高阶车规MCU，替代高算力芯片的L3/L4 SRAM缓存。

嵌入式STT-MRAM擦写寿命超10^10次，已成为汽车与IoT头部企业主力方案。更低延迟、无限寿命的SOT-MRAM正式步入试产，初创企业TMC发布商用芯片，台积电与三星开启先进制程SOT-MRAM代工，目标直指先进制程中极占面积的SRAM。

**RRAM (ReRAM)**

TSMC, UMC, SMIC

Infineon, Weebit Nano, Crossbar

28nm / 22nm (全面量产)

IoT与低成本边缘计算主宰，极低成本存算一体芯片，对成本和待机功耗要求极度严苛的场景。

制造成本极低（仅需1至2层额外掩膜），全面渗透低端市场。Weebit Nano完成车规AEC-Q100认证。微控制器巨头英飞凌全面押注，在28nm AURIX系列及PSoC Edge家族中原生集成RRAM，用于极低功耗下固化端侧机器学习模型参数。

**PCM (ePCM)**

STMicroelectronics (自研与代工)

STMicroelectronics (Stellar 家族)

28nm / 18nm (稳定量产)

退出独立存储市场，专注车规级高可靠性阵地，软件定义汽车(SDV)核心域控制器底座。

Intel退出后形成寡头垄断，意法半导体独占商业化鳌头。最新量产的Stellar汽车MCU内置AI神经加速器与ePCM。介质能够耐受165摄氏度引擎极端高温，并保持25年数据不丢失，成为目前支撑汽车OTA空中安全升级的最核心硬件底座。

**FeFET (HKMG)**

GlobalFoundries, TSMC

FMC, Imec, 各大科研机构

28nm / 22nm (平台开放与试产)

下一代纯数字存算(Digital CIM)宏单元，超低功耗神经拟态硬件。独立存储预计待2028年后普及。

相比前三者仍处大规模爆发前夜，但在逻辑电路侧找到最佳落地点。格芯(GF)全面开放28nm HKMG SLPe试产平台。由于依靠电压极化翻转实现近乎零漏电流，产业界正利用其开发纯数字存内计算阵列，全面取代边缘环境（如无人机微型视觉核）的传统SRAM宏单元。

这里其实就能看出，存储厂商与代工厂们早已开始布局相关产业了，只是碍于技术还没有成熟到大量出货占领市场的状态，随着技术发展以及端侧AI的需求上升，可以说，未来已来。

**大厂之外的暗流涌动**

虽然存储大厂天然的有设计制造存储介质的优势，但是存算一体可不仅仅只是有存储就行，存算性能很大程度上依赖于计算架构，比如一个优异的网络映射方案，能将存储阵列的存算潜力释放不止1倍。在这方面，除传统存储巨头与代工厂外，全球在存算一体（CIM）架构上钻研的Fabless（无晶圆厂）芯片设计公司主要分为三大阵营：**数据中心大模型推理派**、**边缘端低功耗派**以及**智能驾驶派**。

## 主要的存算一体芯片设计公司 

公司名称

技术路线

核心产品与工作

优缺点对比

当前商业进展 (截至2026年)

市场潜力评估

**d-Matrix**  
(美国)

**纯数字存内计算** (DIMC)   
基于 SRAM + Chiplet封装

**Corsair 平台**：针对LLM推理的加速卡。将处理逻辑嵌入SRAM位元，提供150 TB/s的片上极高带宽。

**优**：规避了模拟计算的精度问题，原生支持低精度浮点，带宽碾压HBM。  
**缺**：SRAM密度低，为装下大模型必须堆叠几十颗Chiplet，封装成本高昂。

**爆发期**。2025年底完成2.75亿美元C轮融资（估值20亿美元）。Corsair基于台积电6nm已量产，单卡提供极高Token吞吐量，直击英伟达推理痛点。

**极高**。大模型从训练全面转向推理，解决“内存墙”和Token生成延迟是数据中心最大刚需。

**知存科技**  
(中国)

**模拟存内计算**  
基于 NOR Flash / SRAM

**WTM2101**：全球首颗量产Flash存算语音芯片。  
**WTM-8系列**：基于3D异构键合SRAM技术的视觉AI处理芯片。

**优**：极高的能效比，运行功耗低至微瓦/毫瓦级，适合电池供电的微型设备。  
**缺**：模拟计算面临器件一致性和噪声干扰，较难拓展至高精度通用浮点计算。

**成熟量产**。WTM2101已出货数百万颗（应用于TWS耳机/智能手表）。新一代算力提升百倍的 WTM-8 系列也已在边缘视觉处理设备上实现量产商用。

**高**。在智能穿戴、助听器、IoT边缘传感器等对功耗极其严苛的场景具备近乎垄断的先发优势。

**亿铸科技**  
(中国)

**全数字存算一体**  
基于 新型存储 ReRAM

将ReRAM（阻变存储器）的高密度非易失特性与纯数字存内架构结合，推出针对云端大算力的AI芯片。

**优**：ReRAM密度远超SRAM且成本低，全数字架构保证了高精度，理论上实现了“大算力+低功耗”的融合。  
**缺**：ReRAM的先进制程工艺整合难度大，大规模量产良率和数字生态(编译器)尚在爬坡期。

**生态构建期**。首发提出“存算一体超异构”理念，引入RISC-V核进行任务调度。第一代芯片流片并向数据中心与智驾领域进行技术导入。

**中高**。路线极具颠覆性，若能彻底解决ReRAM大阵列良率与软件工具链（编译墙）问题，将成为大模型推理的强力竞品。

**后摩智能**  
(中国)

**数字/模拟混合 CIM**  
基于 SRAM

**鸿途 H30**：国内首款存算一体智能驾驶芯片（最高256 TOPS算力）。

**优**：大幅降低了车载高算力芯片的功耗，缓解电动车里程焦虑；底层原生支持大规模视觉网络。  
**缺**：汽车供应链极其封闭保守，车规认证周期漫长。

**导入量产期**。H30芯片已通过严格的AEC-Q100车规认证，并于2025年实现大规模量产，开始进入国产新势力车企的供应链。

**高**。自动驾驶域控制器对“算力功耗比”要求极高，存算一体是替代传统大功率GPU的最佳硬件载体。

**Untether AI**  
(加拿大)

**近存/数字计算** (At-Memory)  
基于 SRAM

**speedAI240**：打造空间计算架构，将存储器和计算单元按特定空间交织排列。

**优**：数据搬运距离极短，能效比高达30 TOPS/W，商业化软件工具链较为成熟。  
**缺**：未彻底消除数据移动（仅为近存），且SRAM成本高。

**已被并购**。2025年6月，AMD为补强其AI推理技术栈，全资收购了Untether AI的工程团队，其独立运营终止。

**验证成功**。其被巨头并购的结局直接证明了数字存内/近存架构在商业逻辑上的巨大价值。

**Mythic**  
(美国)

**模拟存内计算**  
基于 Flash

最早将Flash用于矩阵乘法的先驱企业之一。推出M1076模拟存算芯片。

**优**：计算密度极高。  
**缺**：深受模数转换器(ADC/DAC)功耗占用之苦，验证了模拟路线向大算力扩展的“死胡同”。

**技术重组**。曾在2022年底因融资困难几乎破产，后勉强融资维持。

**低**。它充当了行业的探路者，证明了在缺乏新介质的情况下，基于旧工艺的模拟存算很难在边缘算力上竞争过数字方案。

总结：

1.  **路线分化彻底完成**：行业已形成共识。**“模拟存算”**（如知存科技）已彻底转向端侧超低功耗市场，放弃大算力竞争；**“全数字存算”**（如 d-Matrix、亿铸）凭借对浮点高精度的支持和对大模型更好的适配性，成为数据中心推理卡对抗英伟达 H/B 系列的核心生力军。
2.  **大厂吞并开启**：Untether AI 被 AMD 溢价收购是一个分水岭。传统计算芯片巨头（AMD、Intel、高通）通过收购成熟的存算初创企业来补齐技术短板已成为明确趋势。
3.  **软件生态（编译墙）决定生死**：存算一体的底层硬件是矩阵化的空间架构，如何让开发者在不修改 PyTorch/TensorFlow 代码的情况下无缝调用，是决定哪家公司能活下来的核心商业壁垒。

看完了产业发展，是不是觉得已经很了解了？别急，在全面量产之前，还有问题需要关注：

存算一体有自己的产能瓶颈吗

我们来看具体情况：

## 1\. 存算一体介质制造供应链：

存储介质

核心薄膜材料

核心工艺与关键设备供应商

主力代工厂

当前量产工艺节点

MRAM (磁性存储)

钴铁硼、氧化镁、钌等30多层薄膜堆叠

极高真空物理气相沉积(PVD)与离子束刻蚀(IBE)；核心供应商：应用材料(AMAT)、佳能(Canon ANELVA)、泛林(Lam)

TSMC, Samsung, GlobalFoundries

22nm / 16nm (12nm/7nm试产)

RRAM (阻变存储)

氧化铪、氧化钽、氮化钛

标准原子层沉积(ALD)与常规PVD；核心供应商：应用材料、泛林、ASM国际、东京电子(TEL)

TSMC, UMC, SMIC, GlobalFoundries

28nm / 22nm (12nm试产)

PCM (相变存储)

硫族化物玻璃、锗锑碲(GST合金)

高精度ALD与低损伤等离子刻蚀设备；核心供应商：应用材料、泛林、ASM国际

STMicroelectronics (内部制造与代工)

28nm / 18nm

FeFET (铁电存储)

掺杂氧化铪(如 HfZrO2)

极精密高K介质原子层沉积(ALD)；核心供应商：ASM国际、应用材料、东京电子(TEL)

GlobalFoundries, TSMC

28nm / 22nm (技术导入期)

## 2\. 产能与技术瓶颈

要将上述介质从“能造出来”推向“大规模铺开出货”的大算力存算一体设备，整条供应链在物理极限与产能调配上存在以下明确瓶颈：

**MRAM 的量产瓶颈：专有真空设备产能与刻蚀良率**

-   **物理气相沉积(PVD)产能极低**：MRAM 核心的磁隧道结(MTJ)需要在绝对不破坏真空腔体的前提下，连续沉积30层以上原子级薄膜。专用的多腔室机台（如应用材料的Endura Clover）造价高昂，且每小时产出晶圆数(UPH)远低于常规CMOS设备，导致代工厂扩充产能的资金门槛和时间成本极高。
-   **刻蚀短路风险**：在向 7nm 制程推进时，离子束刻蚀极易在侧壁留下金属残留物，引发漏电短路，这是目前卡住先进制程 MRAM 良率的最大堵点。

**RRAM 的量产瓶颈：测试机时耗费与选通管集成**

-   **晶圆测试时间呈现指数级暴增**：RRAM 的制造设备与标准逻辑芯片完全通用，不缺机台。但在制造拥有数十亿存储单元的存内计算大阵列时，设备必须对每一个阻变单元进行高压电击穿“成形(Forming)”并执行写入验证。单元数量越大，晶圆在测试机台上的停留时间越长，大幅拖累整体出货周期。
-   **大阵列漏电流控制**：必须在 RRAM 底部精准集成 1T（晶体管）或 1S（选通管）来切断漏电通路，这极大增加了后端工艺的对准难度。

**PCM 的量产瓶颈：热预算红线与边缘损伤**

-   **热预算冲突**：相变存储涉及材料的熔融与结晶。在逻辑芯片的上方（后端金属层）制造 PCM 时，一旦加工温度越过 400°C 就会摧毁底部的 CMOS 逻辑电路。工艺温度的妥协限制了其良率的上限。
-   **刻蚀损伤敏感**：GST合金材料在等离子刻蚀时极易挥发，导致存储单元边缘产生“死区”，严重影响通电时的均一性。

**FeFET 的量产瓶颈：原子级膜厚控制与微粒缺陷**

-   **结晶厚度的量子级严苛要求**：FeFET 的铁电特性极度依赖 10 纳米以下的薄膜厚度。当扩展到 300mm 量产晶圆时，整片硅片的厚度误差不能超过 2 个原子。任何微小的颗粒污染或厚度不均，都会引发晶体管阈值电压(Vt)漂移，直接导致该区域的存算宏单元运算结果出错。

**全局系统级瓶颈：先进封装(CoWoS)产能遭严重挤兑**  
受限于单一芯片物理面积的掩膜极限，存算一体要实现大算力（对抗英伟达H/B系列），必须采用 Chiplet 方案将几十颗裸片拼装在一起。但当前全球的 2.5D/3D 先进封装产能（如台积电 CoWoS）已被头部 AI 巨头的 HBM 需求深度绑定。哪怕存算芯片裸片制造良率达到 100%，抢不到先进封装产能，实质性的商业出货量依然会被牢牢锁死。属于是被对手”卡脖子“了。

看完感觉问题多多？抬头看看吧，未来依然是星辰大海

## 市场渗透率与增长核心指标

存算一体方案

2026年 市场份额 (营收计)

2026-2030 预计年复合增长率 (CAGR)

2030年 预计渗透率 (目标市场)

市场增长势头可视化 (2030 目标)

**SRAM-CIM (全数字)**

**55%**

**42.5%**

**28%**

████████████░░░ **(云端推理霸主)**

**RRAM-CIM (模拟)**

**25%**

**38.8%**

**45%**

████████████████░ **(端侧走量王)**

**MRAM-CIM (高可靠)**

**15%**

**22.4%**

**12%**

██████░░░░░░░░░░ **(车载利基主导)**

**FeFET-CIM (下一代)**

**5%**

**65.0%**

**8%**

████░░░░░░░░░░░░ **(超高速黑马)**

## 细分市场增长驱动与算力需求对照

目标市场

2030年 存算一体需求规模

核心方案竞争点

方案增长潜能

**AIGC 云端推理**

**$125 亿+**

**SRAM-CIM** 解决千亿参数模型生成的 **Token 延迟**。

**爆发性**：随模型推理成本敏感度增加，传统GPU将被大规模替换。

**智能驾驶 (L3/L4)**

**$48 亿**

**MRAM** 的**物理耐久性**与 **SRAM** 的**高算力密度**结合。

**稳定性**：随车规认证通过，存算方案将成为智驾域控标配。

**消费级 IoT / 穿戴**

**$35 亿**

**RRAM** 实现“始终在线”视觉/语音，且**成本增加忽略不计**。

**垄断性**：传统 NPU 在 0.1W 以下功耗区间无法与 RRAM 竞争。

**类脑/科学计算**

**$12 亿**

**FeFET** 利用**极高能效比**模拟神经元突触。

**前瞻性**：2028年后随制程良率成熟开启商业化闭环。

## 资源约束下的增长潜力分析 (2030 展望)

1\. 电力资源杠杆效应 (Electricity Leverage)

-   **传统方案**：每增加 1T FLOPS 算力，电力成本增长 1.0x。
-   **存算一体方案**：得益于 **90% 访存功耗的消除**，每增加 1T FLOPS 算力，电力成本仅增长 **0.1x - 0.2x**。
-   **结论**：在电力配额受限的数据中心，**SRAM-CIM** 的市场渗透速度将是传统 GPU 的 **4 倍**。

2\. 制造资源约束 (Manufacturing Constraint)

-   **MRAM/PCM**：受限于专用沉积设备机台排期，扩产周期长达 18-24 个月，短期内份额受限。
-   **RRAM/SRAM**：复用成熟晶圆厂（Foundry）产能，扩产周期 6-9 个月。
-   **结论**：**RRAM** 将率先在 2027 年实现边缘 AI 市场的**大规模渗透（突破 30% 关键点）**。

### 商业推断 (2026-2030)

1.  **SRAM-CIM 是利润高地**：由于大模型推理对算力单价极度敏感，SRAM-CIM 凭借最高能效比将攫取云端推理市场中最丰厚的一层“能效红利”。
2.  **RRAM 是规模底座**：凭借最简单的材料构成和最低的制造门槛，RRAM 将在数以十亿计的智能眼镜、传感器、微型摄像头中替代传统 MCU，实现**最高的市场渗透率**。
3.  **FeFET 是远期天花板**：它是唯一能兼顾 SRAM 速度和 RRAM 密度的方案。一旦 2028 年跨越良率红线，其**增长率将超越所有其他方案**，开启存算一体 2.0 时代。

画饼画的差不多了，夹带点私货，个人是研究存算硬件安全的，目前还是小众方向，但我相信随着端侧智能的爆发，安全会越来越重要。

那么，你相信存算吗？

本文借助AI辅助写作，不构成投资建议

### 相關股票

- [MRAM.US](https://longbridge.com/zh-HK/quote/MRAM.US.md)
- [TSM.US](https://longbridge.com/zh-HK/quote/TSM.US.md)
- [SNDK.US](https://longbridge.com/zh-HK/quote/SNDK.US.md)
- [688521.CN](https://longbridge.com/zh-HK/quote/688521.CN.md)
- [NVDA.US](https://longbridge.com/zh-HK/quote/NVDA.US.md)
- [NVDL.US](https://longbridge.com/zh-HK/quote/NVDL.US.md)
- [07788.HK](https://longbridge.com/zh-HK/quote/07788.HK.md)
- [07388.HK](https://longbridge.com/zh-HK/quote/07388.HK.md)
- [NVDY.US](https://longbridge.com/zh-HK/quote/NVDY.US.md)
- [NVDD.US](https://longbridge.com/zh-HK/quote/NVDD.US.md)
- [NVDX.US](https://longbridge.com/zh-HK/quote/NVDX.US.md)
- [NVDQ.US](https://longbridge.com/zh-HK/quote/NVDQ.US.md)
- [MU.US](https://longbridge.com/zh-HK/quote/MU.US.md)
- [07709.HK](https://longbridge.com/zh-HK/quote/07709.HK.md)
- [07747.HK](https://longbridge.com/zh-HK/quote/07747.HK.md)
- [INTC.US](https://longbridge.com/zh-HK/quote/INTC.US.md)
- [04335.HK](https://longbridge.com/zh-HK/quote/04335.HK.md)
- [NVD.DE](https://longbridge.com/zh-HK/quote/NVD.DE.md)

## 評論 (17)

- **華尓街之狼 · 2026-05-10T12:48:12.000Z**: 這名字，搞模擬 ic 的嗎
- **Alexstar · 2026-05-09T14:32:23.000Z**: 馬克一下，感謝博主
- **光辉万丈 · 2026-05-09T08:11:02.000Z**: 講得透徹、專業👍👍
- **大A30000点 · 2026-05-09T08:09:58.000Z**: 這不是利空存儲和液冷嗎
  - **SpiceMonkey** (2026-05-09T08:38:51.000Z): 一方面考慮到需求增長的速度，另一方面考慮到新型存儲介質產能有限，所能替代的市場份額也有限，結合傑文斯悖論，實際上只是部分細分市場的部分市場份額有明顯分化，總的存儲需求依然會上升。從社會層面看，AI 不僅降低了工具使用的門檻，同時也帶來了更多資源的損耗，例如 GitHub 上的許多 vibecoding 代碼效率很低，有些可以稱之為一坨，導致 GitHub 服務器效率下降了，同理企業在高效利用 AI
- **新用户_CxTHNq · 2026-05-09T07:30:57.000Z · 👍 2**: 胡扯啥了，韓國存儲之王那兩家，美國鎂光，東大得低端
  - **SpiceMonkey** (2026-05-09T07:40:32.000Z): 新興存儲介質是新賽道，在科研和產業前沿還是能接觸到這些公司的進展的，國內水平完全不差，從存儲介質到大型計算系統之間，在系統架構上大廠有明顯優勢，但也不是決定性的。投資歸投資，技術上沒必要妄自菲薄，國內有非常多優秀的研究員在踏踏實實的做工程，我們應該向他們致敬。
  - **hanwenly** (2026-05-09T12:57:47.000Z): 不錯，那些研究院酒量怎麼樣
- **葱花鸡蛋er · 2026-05-09T07:09:14.000Z**: 我猜你想説的是數據流架構
  - **SpiceMonkey** (2026-05-09T07:25:42.000Z): 數據流算是架構層面的，本篇主要想講的是存儲介質，兩者不衝突，相輔相成
  - **葱花鸡蛋er** (2026-05-09T10:34:01.000Z): 我對存算一體的理解還是片面了，你是對的
- **天天晴朗 · 2026-05-09T06:54:50.000Z · 👍 1**: 那我問你，管你這的那的，就告訴我梭哈哪個吧。
  - **天天晴朗** (2026-05-09T06:55:31.000Z): 😁😁😁
- **奇迹的交易员cola · 2026-05-09T05:43:58.000Z · 👍 4**: 好哇，來給你捧場了😄
- **SpiceMonkey · 2026-05-09T03:26:46.000Z · 👍 2**: @奇迹的交易员cola cola 求捧場嘿嘿🤤🤤🤤
- **SpiceMonkey · 2026-05-09T03:26:10.000Z · 👍 4**: 手機端看錶格體驗太差了🌚🌚