存算一體寫入十五五規劃，誰在埋頭解決通用與軟件生態難題？

智東西
作者 陳駿達
編輯 漠影

狂飆的AI，正給傳統計算架構帶來空前壓力。

國家數據局最新統計顯示，截至2026年3月，我國日均AI token調用量已突破140萬億。這一數據較2025年底的100萬億，在短短三個月內增長了40%以上；若與2024年初的1000億相比，兩年間累計增幅更是超過1000倍。

這些數據背后，是AI智能體、多模態交互、長文本推理等場景的全面爆發。目前，業內對單卡大吞吐、高并發、低功耗推理算力有著剛性需求，傳統算力卡受限于存儲墻與帶寬瓶頸，難以匹配token處理需求的指數級增長，算力供需錯配持續加劇，而存算一體技術恰能針對性破解這一難題。

過去幾年，“存算一體”開始頻繁出現在各類政策文件中，而在“十五五”開局之年，這一技術被提升至前所未有的戰略高度：在十五五規劃綱要中，存算一體、三維堆疊、光電融合，一同被列為下一代集成電路技術的前沿架構。

與此同時，中國的存算一體產業也正處于由概念導入邁向工程落地的關鍵階段。一方面，圍繞新架構的初創企業持續涌現；另一方面，部分團隊已從原型驗證走向產品化過程。

在這一賽道中，自2022年開始運營的億鑄科技，是國內較早布局的玩家。近期，智東西對話億鑄科技創始人、董事長兼CEO熊大鵬博士，圍繞存算一體的技術演進、落地挑戰與產業機會展開深入討論，也為這一方向的現實進展提供了更具體的觀察視角。

一、從“馮?諾依曼架構”說起：存算一體的技術本質與現實挑戰

要理解存算一體的價值，我們首先要看看傳統計算架構為何在AI時代，變得力不從心了。

馮·諾依曼架構是現代計算機的主流設計藍圖，它的核心思想是“存儲程序”，即將程序指令和數據放在存儲單元中，與計算單元分離，計算單元可以自動地從存儲單元逐條取出指令和所需的數據并執行。

在AI時代，模型參數規模指數級增長。數據規模和訪存需求增加，算力的增長，卻撞上了“兩堵墻”——存儲墻與能耗墻。

具體來看，當前算力增長同時受限于數據搬運效率和能耗約束：數據在存儲與計算單元之間頻繁往返，搬運開銷不斷攀升，帶寬與延遲瓶頸使算力難以充分釋放。

同時，數據搬運本身就會產生遠超執行計算的額外能耗，也就是說，大量能量被消耗在運輸路上而非實際工作中，根據圖靈獎得主、計算機體系結構先驅約翰·軒尼詩（John L. Hennessy）的觀點，目前AI計算過程中數據搬運的成本已經達到了計算成本的100倍。

存算一體（Computing in Memory）正是針對這一問題提出的架構思路，其核心在于將計算電路“嵌入”存儲陣列或其周圍，盡可能減少數據搬運和數據搬運距離。其核心目的，是讓計算和存儲的協同變得能耗更低、效率更高、延時更短。

以億鑄的存算一體產品為例，該產品依托架構原生的計算能力，提升了帶寬利用效率與并發處理能力，有效滿足了單卡大吞吐、大并發的實際需求。在長上下文、高并發推理場景中，該產品的能效與吞吐指標均實現突破。

盡管架構優勢明確，但存算一體架構的AI大芯片在落地過程中仍面臨多重挑戰。

首先是算法快速迭代。在仍然處于算法快速迭代周期的AI領域，這一問題尤為突出。AI領域平均每2—3年便出現新的主流范式，這對底層硬件提出通用性需求。

其次是軟件生態壁壘。當前AI開發高度依賴成熟的軟件體系，尤其是以CUDA為代表的編程生態。

存算一體的新一代AI芯片必須做好通用性，并兼容主流軟件生態，從指令集、架構、微架構、核心IP、編譯器到算子優化工具，整個技術棧都需具備相應的設計能力和技術儲備。

新架構若無法兼容主流工具鏈，將面臨開發者接受度不高的問題。

再次是工程實現難度。不同存儲介質在密度、功耗、讀寫性能等方面存在復雜工程問題，且存儲介質的選擇取決于AI應用落地場景。

最后是存算一體和通用計算的異構融合難題。存算一體本質上是一種專門為矩陣計算而生的計算單元，它需要和其他計算單元比如CPU、邏輯計算等構成一個完整的計算系統，也需要消除異構融合存在的任務分工和切換的“氣泡”，從而達成性能的優化。

熊大鵬認為，存算一體AI芯片不是簡單把存儲介質和邏輯計算部分耦合在一起，而是從ISA指令集、架構、微架構、核心IP、軟件棧全鏈條技術的體系化創新和自主可控。

如何實現不同計算精度、與其他計算單元高效協同、快速融入既有的軟件生態、完成傳統AI計算芯片承載的計算內容、實現全棧技術的自主可控，是除了“用存算一體技術實現矩陣計算”之外更難的技術高峰。

二、通用化探索：從架構創新到生態兼容

目前，從計算方式來看，存算一體主要分為模擬存算一體和數字存算一體兩大路徑。

模擬存算一體利用存儲介質的物理特性在模擬域完成乘加運算，但在器件一致性、精度及精度可信度、數據動態范圍以及浮點計算等維度存在短板。

數字存算一體則是圍繞存儲單元集成邏輯電路來實現乘加運算，保持高精度及可靠精度、高能效比和大算力優勢，更易與通用計算融合，可支撐高精度通用計算和大模型推理，也是目前業內的主流方向之一。

從存儲介質來看，SRAM、NOR Flash、RRAM、3D DRAM、PCRAM等不同存儲器各有所長。熊大鵬一共總結出了14個存儲介質之間的差異點，包括密度、讀寫速度、讀寫次數、讀寫功耗、成本、良率、一致性、工藝兼容性、產能現狀等等。

面臨如此龐雜的選項，億鑄并未急于綁定某一技術路徑，而是選擇了“通用存算一體”的方向，熊大鵬也向我們解釋了通用存算一體的三個維度：

第一是存儲層面的通用性，即能否兼容不同存儲介質；

第二是算力層面的通用性，即能否支持各類算法和模型；

第三是軟件生態的通用性，即能否兼容主流生態和被更多開發者使用。

這三個通用性，恰好回應了目前存算一體在存儲介質、算法迭代和軟件生態三個維度上的核心難題。

存算一體架構目前的主要價值是兩個維度，一個是貢獻更低功耗，一個是貢獻更大容量和吞吐，兩者目前無法在同一存儲介質上實現，因此就必然帶來不同場景需求、不同取舍的優先級決定了不同存儲介質存算一體芯片的設計選擇。

億鑄已在實踐中已嘗試過兩種將新型存儲介質應用于存算一體的方案。這一架構的優勢也在探索中顯現：企業可以根據目標市場對容量、功耗、成本、性能的不同要求，靈活選擇存儲介質。在當下新型存儲介質并進，標準尚未統一的階段，這也成為了一種面向不確定性的架構保險。

在軟件層面，兼容現有生態被億鑄視為關鍵策略之一。熊大鵬透露，其團隊的實現路徑是通過指令集層面對Triton和CUDA等主流生態進行兼容。不過，他也強調，兼容只是第一步：“能跑不代表跑得好，算子效率還需要持續優化?！蓖ㄟ^編譯器和自動優化工具實現算子自動生成和自動優化，極大減少軟件工作量和加快應用部署時間，是通用存算一體的一大優勢。

“軟件生態不是口號，而是工程師用腳投票的結果”，熊大鵬認為，“只有被廣泛使用的軟件生態，才真正具備商業價值?！?/p>

三、存算一體重心調整，政策信號趨于明朗

回顧億鑄的發展路徑可以發現，其通用存算一體的路徑并非一蹴而就，而是在不斷嘗試中成型。

熊大鵬回憶稱，他曾在17年-19年專注于研發某創新架構，但在落地過程中遭遇軟件生態和通用性巨大阻礙：“我們當時的創業認知是硬件性能更強就可以勝出，但后來發現，軟件生態的兼容性和通用性同樣關鍵。”這一經驗也成為億鑄在存算一體賽道堅持在硬件架構創新的同時，兼顧生態兼容和通用性的重要原因。

而在存儲架構的通用性方面，億鑄也經歷了認知演變的過程。23年之前，產業對服務器級的AI算力卡的主流需求是基于75W功耗實現比T4更好的AI推理性能。

然而，自2023年開始，行業的重心向大模型和高存儲容量傾斜。熊大鵬觀察到：“大模型（2023年前后）流行后，核心問題變成了大容量、大帶寬和token高吞吐率，同時功耗維持在合理的范圍內。”

大容量、大帶寬、低成本的3D DRAM，開始在這一發展階段體現出價值。

早在2022年，億鑄便關注到了3D DRAM的潛力，并進行持續探索和技術儲備。這些前置的技術探索，讓億鑄在算法迭代中可以快速實現方案的迭代，滿足大模型時代對“大容量、大吞吐、低功耗、高性價比”的AI大算力芯片的要求。

在中國半導體產業尋求自主突破與差異化路徑的背景下，這一演進路徑顯得尤為務實。

在全球算力競爭格局中，傳統路徑高度依賴先進制程與高帶寬存儲。在外部環境不確定性加大的背景下，探索新的架構路徑被視為提升國內半導體產業自主能力的重要方向。

熊大鵬認為，存算一體的價值在于從架構層面實現突破：“它可以用成熟工藝達到和超越先進工藝的性能，緩解對先進工藝和HBM等高帶寬存儲的依賴，為算力提供新的解法。”

從這一視角來看，十五五規劃對存算一體的高度關注也顯得更為順理成章。熊大鵬說道，列入規劃代表國家已經完成了技術原理論證與產業價值論證，政策信號已較為明確。

結語：存算一體，走向產業化的關鍵階段

從政策支持到企業探索，存算一體正逐步走出概念驗證階段，邁向產業化落地。在這一過程中，通用計算能力、軟件生態兼容以及工程實現路徑，將成為決定勝負的關鍵因素。

對于產業發展階段，熊大鵬給出了一個形象類比，現在的AI就像3G移動互聯網，雛形已現、令人興奮，但貴、慢、還沒有成為人們生活、工作中不可或缺的組成部分。真正的爆發，還需要持續提高性能、降低成本。

他將未來理想的AI算力定義為“3+1”特征，即更低功耗、更高吞吐、更低成本，以及良好的軟件生態。目前，國際主流廠商至多做到1+1，比如軟件生態做的好，但無法實現功耗、吞吐、成本三者兼顧。而億鑄的團隊正致力于用“通用存算一體”技術，實現真正的“3+1”閉環。

熊大鵬也認為，隨著智能化時代進一步的發展，算法的發展已經帶來更加多元的算力需求，存算一體不是萬用良方，它有著很強的適用性，且和存儲介質本身的物理特點和工藝現狀息息相關，但它一定會和更早的CPU、GPU、TPU、NPU一樣，在與其特點高度匹配的場景里發揮不可或缺的作用。