存算一体写入十五五规划 通用化与软件生态难题如何破解

AI技术的飞速发展，正对传统计算架构构成前所未有的挑战。如何突破算力瓶颈，成为行业亟待解决的核心问题。

国家数据局最新数据显示，截至2026年3月，我国日均AI token调用量已突破140万亿大关。这一数字背后是惊人的增长：相比2025年底的100万亿，仅三个月就激增超40%；若回看2024年初的1000亿，两年累计增幅更是超过1000倍，呈现出指数级增长态势。

数据洪流的背后，是AI智能体、多模态大模型、长文本推理等应用场景的全面爆发。市场对高并发、低功耗、大吞吐量推理算力的需求变得空前刚性。传统算力卡受限于“存储墙”与带宽瓶颈，已难以匹配token处理需求的爆炸式增长，算力供需错配矛盾日益突出。在此背景下，存算一体技术被视为破解AI算力困境的关键路径。

近年来，“存算一体”频繁现身于各类产业政策文件。进入“十五五”规划开局之年，其战略地位被提升至新高度——在规划纲要中，存算一体与三维堆叠、光电融合一同被列为下一代集成电路的前沿架构方向。

与此同时，中国存算一体产业正迎来关键转折：从技术概念导入迈向工程化与产品落地。一方面，围绕新架构的创业公司不断涌现；另一方面，部分领先团队已成功跨越原型验证阶段，进入产品化进程。

在这条前沿赛道上，亿铸科技自2024年运营以来便是国内较早的布局者。近期，我们与亿铸科技创始人、董事长兼CEO熊大鹏博士展开深度对话，围绕存算一体的技术演进、落地挑战与产业机遇进行探讨，为这一前沿方向提供了具体的进展观察。

一、从“冯・诺依曼瓶颈”到存算一体：技术本质与落地挑战

要理解存算一体的价值，需先厘清传统计算架构为何在AI时代遭遇瓶颈。

冯·诺依曼架构是现代计算机的基石，其核心是“存储程序”思想，即程序指令与数据存储于独立的存储单元，计算单元需频繁存取数据以执行任务。

问题正源于此。进入AI时代，模型参数规模呈指数级膨胀，数据访存需求急剧增加。算力增长却遭遇两大壁垒：“存储墙”与“能耗墙”。

具体而言，当前算力提升受限于数据搬运效率与能耗约束：数据在存储与计算单元间频繁迁移，搬运开销持续攀升，带宽与延迟瓶颈导致算力无法充分释放。更关键的是，数据搬运本身消耗的能量已远超实际计算所需。大量能量被浪费在“运输途中”，而非有效的“生产工作”。根据图灵奖得主约翰·轩尼诗（John L. Hennessy）的研究，AI计算中数据搬运成本可达计算成本的100倍。

存算一体（Computing in Memory）正是针对这一痛点提出的架构革新。其本质是将计算电路嵌入存储阵列或其近邻，极大减少数据搬运距离与次数，最终实现计算与存储的高效协同，达成更低能耗、更短延时与更高能效。

以亿铸的存算一体产品为例，其依托架构原生的计算能力，显著提升了带宽利用效率与并发处理能力，有效满足单卡大吞吐、高并发的实际需求。在长上下文、高并发推理场景中，该产品在能效与吞吐指标上均实现突破。

尽管架构优势明确，但存算一体AI大芯片的工程落地仍面临多重现实挑战。

首先是算法快速迭代。AI技术范式仍处于快速演变期，平均每2-3年便发生一次更迭，这对底层硬件的通用性与适应性提出极高要求。

其次是软件生态壁垒。当前AI开发高度依赖成熟软件体系，尤其是以CUDA为代表的编程生态。新一代存算一体AI芯片必须具备良好的通用性设计，并兼容主流软件生态。这意味着从指令集、架构、微架构、核心IP，到编译器、算子优化工具，全技术栈都需相应的设计能力与储备。新架构若无法融入主流工具链，将直接面临开发者接纳度低的困境。

再次是工程实现难度。不同存储介质在密度、功耗、读写性能等方面存在复杂权衡，介质选择最终取决于AI应用的具体落地场景。

最后是异构融合难题。存算一体本质上是为矩阵计算优化的专用计算单元。它需与CPU、逻辑计算等其他单元构成完整计算系统，并需消除异构融合中的任务分工与切换“气泡”，方能实现整体性能最优。

熊大鹏博士强调，存算一体AI芯片并非简单耦合存储介质与逻辑计算，而是从ISA指令集、架构、微架构、核心IP到软件栈的全链条体系化创新。如何实现不同计算精度、与其他计算单元高效协同、快速融入既有软件生态、完成传统AI计算芯片的任务，并实现全栈技术自主可控，这些是比“用存算一体实现矩阵计算”本身更具挑战的技术高峰。

二、通用化路径：从架构创新到生态兼容

目前，从计算方式看，存算一体主要分为模拟存算一体和数字存算一体两大技术路径。

模拟存算一体利用存储介质的物理特性在模拟域完成乘加运算，但在器件一致性、计算精度、可信度、数据动态范围及浮点计算等方面存在局限。数字存算一体则围绕存储单元集成逻辑电路实现乘加运算，能保持高精度、高可靠性、高能效比与大算力优势，更易与通用计算融合，可支撑高精度通用计算与大模型推理，是当前主流方向之一。

从存储介质看，SRAM、NOR Flash、RRAM、3D DRAM、PCRAM等存储器各具特点。熊大鹏博士总结了多达14个存储介质的差异维度，包括密度、读写速度、耐久性、功耗、成本、良率、一致性、工艺兼容性、产能现状等。

面对庞杂的技术选项，亿铸并未急于绑定单一路径，而是选择了“通用存算一体”方向。熊大鹏博士阐释了通用存算一体的三个维度：

第一是存储层面的通用性，即能否兼容不同存储介质；
第二是算力层面的通用性，即能否支持各类算法与模型；
第三是软件生态的通用性，即能否兼容主流生态并被开发者便捷使用。

这三个通用性，精准回应了存算一体在存储介质选择、算法快速迭代和软件生态壁垒三大核心难题。

需明确的是，存算一体架构当前的核心价值体现在两方面：一是贡献更低功耗，二是贡献更大容量与吞吐。两者很难在同一介质上同时达到最优。因此，不同场景的需求与取舍优先级，决定了不同存储介质存算一体芯片的设计选择。

亿铸在实践中已尝试将两种新型存储介质应用于存算一体方案。该架构优势在探索中显现：企业可根据目标市场对容量、功耗、成本、性能的不同要求，灵活选择最合适的存储介质。在新型存储介质并行发展、行业标准尚未统一的当下，这无疑成为应对未来不确定性的“架构保险”。

在软件层面，兼容现有生态被亿铸视为关键策略。熊大鹏博士透露，其团队通过指令集层面对Triton和CUDA等主流生态进行兼容。但他强调，兼容只是第一步：“能运行不代表运行得好，算子效率仍需持续优化。”通过编译器和自动优化工具实现算子的自动生成与优化，从而大幅减少软件工作量、加速应用部署，这才是通用存算一体架构的一大优势。

“软件生态不是口号，而是工程师用脚投票的结果。”熊大鹏博士认为，“只有被广泛使用的软件生态，才真正具备商业价值。”

三、产业重心转移，政策信号明确

回顾亿铸发展路径可见，其通用存算一体技术方向并非一蹴而就，而是在市场尝试与技术迭代中逐渐成型。

熊大鹏博士回忆，他曾在2017年至2019年间专注于某创新架构研发，但在落地中遭遇软件生态与通用性的巨大阻碍。“我们当时的创业认知是，只要硬件性能更强就能胜出。但后来发现，软件生态的兼容性与通用性同样关键。”这一经验成为亿铸在存算一体赛道坚持硬件架构创新同时，必须兼顾生态兼容与通用性的重要原因。

在存储架构通用性方面，亿铸也经历了认知演变。2023年前，产业对服务器级AI算力卡的主流需求，是基于75W功耗实现优于T4的AI推理性能。然而，自2024年起，行业重心明显向大模型与高存储容量倾斜。熊大鹏博士观察到：“大模型流行后，核心问题变为大容量、大带宽和token高吞吐率，同时功耗需维持在合理范围。”

大容量、大带宽、低成本的3D DRAM，在此阶段体现出独特价值。事实上，早在2024年，亿铸便关注到3D DRAM潜力，并进行了持续技术探索与储备。这些前置工作，让亿铸能在算法迭代中快速调整方案，满足大模型时代对“大容量、大吞吐、低功耗、高性价比”AI大算力芯片的要求。

在中国半导体产业寻求自主突破与差异化路径的大背景下，这种务实的演进路径尤为可贵。全球算力竞争格局中，传统路径高度依赖先进制程与高带宽存储（HBM）。在外部环境不确定性加大的背景下，探索新架构路径被视为提升国内半导体产业自主能力的重要方向。

熊大鹏博士认为，存算一体的核心价值在于从架构层面实现突破：“它可用成熟工艺达到甚至超越先进工艺的性能，缓解对先进工艺和HBM等高带宽存储的依赖，为算力供给提供了新解法。”

从这个视角看，十五五规划对存算一体的高度关注顺理成章。熊大鹏博士表示，被列入国家规划，代表国家层面已完成技术原理论证与产业价值论证，政策信号已非常明确。

结语：存算一体迈向产业化关键阶段

从政策支持到企业探索，存算一体正逐步走出概念验证的实验室，迈向产业化落地的深水区。在此过程中，通用计算能力、软件生态兼容以及可行的工程实现路径，将成为决定胜负的关键因素。

对于AI产业发展阶段，熊大鹏博士给出一个形象类比：现在的AI就像3G时代的移动互联网，雏形已现、令人兴奋，但还存在费用高、速度慢、尚未成为人们生活工作中不可或缺部分等问题。真正的产业爆发，还需持续提升性能、降低成本。

他将未来理想的AI算力定义为“3+1”特征，即更低功耗、更高吞吐、更低成本，以及良好的软件生态。目前，国际主流厂商至多能做到“1+1”，例如软件生态做得好，但无法在功耗、吞吐、成本三者间取得完美平衡。而亿铸团队正致力于用“通用存算一体”技术，实现真正的“3+1”闭环。

熊大鹏博士也指出，随着智能化时代深入发展，算法演进带来了更加多元化的算力需求。存算一体并非万用良方，它有很强的适用性，且与存储介质本身的物理特性和工艺现状息息相关。但它一定会和更早出现的CPU、GPU、TPU、NPU一样，在与其特点高度匹配的场景里，发挥出不可或缺的关键作用。