存算一体芯片产业化提速：核心零部件新格局观察

执行摘要：存算一体AI芯片成为突破冯·诺依曼架构功耗瓶颈的重要路线。以亿铸科技超10亿元融资为标志，国产存算一体芯片正从实验室验证迈入商用化验证阶段，资本持续押注新架构算力方向。本报告从产业格局、产业链上下游、数据竞争与趋势判断四个维度，观察核心零部件领域的演进路径。

产业现状与竞争格局

随着大模型驱动的算力需求激增，传统冯·诺依曼架构下“存储墙”“功耗墙”问题日益凸显——数据在处理器与存储器之间频繁搬运，消耗了远高于计算本身的能耗。存算一体（Compute-in-Memory）通过在存储单元内直接完成计算，从架构层面突破这一瓶颈，成为AI芯片领域最具确定性的新架构方向之一。

从技术路线看，存算一体目前分化为模拟与数字两大阵营。模拟存算凭借物理特性可实现极高能效，但存在精度、温度稳定性及编译工具链适配等挑战；数字存算则以牺牲部分能效换取更高的计算精度与工程可部署性，更贴近现有AI产业生态。此外，存储介质的选择（SRAM、RRAM、Flash、DRAM等）也构成不同玩家的差异化路径，其中基于3D DRAM的方案在容量、成本与工艺成熟度之间取得了较好的平衡。

从产业发展阶段看，行业整体正从“实验室验证”迈向“商用化验证”。头部公司陆续完成流片并进入测试与量产准备环节，市场关注点已从“技术可行性”转向“产品可靠性、成本曲线与客户交付能力”。竞争格局上，可大致划分为三个梯队：第一梯队为已完成流片、进入商用验证的头部初创公司；第二梯队为处于芯片设计与流片准备阶段的公司；第三梯队为学术孵化型团队与早期参与者。

在国产化方面，存算一体被普遍视为换道超车的机会窗口。由于该架构处于国际产业界尚未形成垄断标准的阶段，国内厂商在专利布局、架构定义上拥有与全球同步甚至局部领先的话语权。政策层面，国家对先进算力自主可控的持续投入，叠加算力基础设施建设需求，为国产存算一体芯片提供了落地场景；大模型推理侧“高算力、低功耗、降成本”的迫切诉求，则构成了真实的市场牵引。

融资层面，资本对该赛道的押注呈现明显的头部集中趋势。以亿铸科技为例，公司近期宣布完成超10亿元新一轮融资，资金将投向研发投入、产品迭代及产业化推进。该公司核心产品为基于3D DRAM的全数字通用存算一体AI芯片，目前已完成流片，商用芯片测试结果基本达到预设设计指标，标志其技术路线正式从实验室验证迈入商用化验证阶段。单轮超10亿元的融资规模，在国产AI芯片初创公司中属于头部水平，反映出资本市场对突破冯·诺依曼架构瓶颈这一方向的长期看好，也为亿铸的量产落地提供了资金支撑。

综合来看，存算一体AI芯片已度过概念验证期，进入以量产交付为核心的产业化提速阶段。竞争的关键变量正从架构演示转向工艺良率、软件生态与规模成本控制，头部集中化趋势预计将进一步强化。亿铸科技凭借数字存算路线的工程可落地性与头部量级的资本储备，已在该轮竞赛中占据有利身位；而全行业能否真正实现规模化商用，仍取决于后续量产表现与生态建设进度。

上游：材料与存储介质

存算一体芯片的产业化进程，首先取决于上游供给能力。与GPU等传统算力芯片相比，存算一体对存储介质、EDA工具与流片产能有着更为深度的耦合需求——存储介质本身即是计算载体，其材料特性直接决定了芯片的技术上限；而EDA工具与流片环节则决定了技术路线能否以可控成本完成从设计到量产的跨越。

一、存储介质：3D DRAM成为存算一体的关键底座

存算一体芯片的竞争，本质上首先是存储介质的选择之争。当前主流路线包括SRAM、NOR Flash、RRAM（阻变存储器）、MRAM以及3D DRAM等，各有权衡：SRAM速度快、与逻辑工艺兼容性好，但集成密度低、成本高；各类新型非易失存储器具备高密度潜力，但存在良率与耐久性挑战。

3D DRAM正在成为全数字通用存算一体路线的重要支撑。以亿铸科技为例，其核心产品采用“存算一体+3D DRAM”技术组合，目前该芯片已完成流片，商用芯片的测试结果基本达到预设设计指标。这标志着该技术路线从实验室验证阶段迈入商用化验证阶段。3D DRAM路线的意义在于：一方面，DRAM的单元精度高、读写一致性好，能够支撑全数字计算精度，避免模拟存算路线常见的精度损失问题；另一方面，3D堆叠带来的高存储密度，为大模型推理所需的算力-存储协同提供了物理基础。

从产业供给端看，3D DRAM对存算一体路线的支撑体现在三点：

1. 密度红利：垂直堆叠结构突破了平面DRAM的微缩极限，在同等芯片面积上提供更高的存储容量，摊薄单位算力成本；

2. 数字精度：与传统模拟存算路线不同，基于DRAM的全数字方案可保持与GPU相当的数值精度，更适合通用AI计算场景；

3. 工艺基础：DRAM产业拥有成熟且规模化的制造体系，为量产环节的良率爬坡提供相对可靠的供应链支撑。

当然，供给约束同样存在。3D DRAM本身仍处于技术演进阶段，量产良率、堆叠层数、与逻辑工艺的异构集成均存在不确定性；存算一体架构对存储单元的定制化改造需求，也使芯片公司对存储介质的工艺控制力提出更高要求，产业链协同深度远超传统Fabless模式。

二、EDA工具与流片：从设计到硅片的约束链

EDA工具方面，存算一体芯片面临“双轨制”挑战：数字部分可沿用成熟的数字EDA流程，但存储阵列与计算单元深度耦合的新型架构，对EDA工具的建模、仿真和验证能力提出了新要求。主流EDA工具链主要围绕冯·诺依曼架构优化，存算一体设计团队往往需要在标准工具之上进行二次开发，这既增加了设计周期，也构成隐性技术门槛。不过，全数字存算路线由于计算部分与传统数字逻辑兼容度高，其对EDA的依赖程度低于模拟存算方案，这也是该路线能较快完成流片验证的原因之一。

流片环节方面，商用芯片完成流片并使测试结果基本达到预设设计指标，是技术路线可行性验证的关键里程碑。对初创公司而言，先进工艺流片成本高昂，单轮超10亿元的融资规模（如亿铸科技的最新一轮）在国产AI芯片初创公司中属于头部水平，为多轮流片迭代和后续量产提供了资金缓冲。资本供给能力由此成为上游环节之外，决定技术路线能否走到量产的又一关键变量。

三、供给能力对技术路线的支撑与约束

综合来看，上游供给能力对不同存算一体技术路线的影响可归纳为下图：

3D DRAM全数字路线在工艺成熟度与架构契合度上处于相对均衡偏优的位置，是当前少数已走通“流片—测试达标”闭环的通用存算路线；SRAM路线工艺最成熟，但密度与成本约束明显；RRAM等新型非易失存储密度潜力大，但良率与工艺生态尚待突破。

上游供给格局对存算一体产业化的总体判断是：支撑已初步形成，约束仍在中段。存储介质层面，3D DRAM提供了可支撑通用数字计算的物理底座；资金层面，头部初创公司已获得足够支撑商用化验证的资本投入；而EDA工具链的适配与流片到量产的良率爬坡，仍是未来12-24个月内决定存算一体能否真正规模化的核心瓶颈。上游供给能力的每一次边际改善——无论是存储堆叠层数提升、良率改善还是EDA建模能力增强——都将直接转化为存算一体芯片对传统架构算力产品的替代弹性。

总体而言，上游环节正处于“技术验证基本完成、产业化支撑逐步到位”的阶段。以3D DRAM为代表的存储介质供给、EDA工具链的逐步适配、以及资本对流片与量产环节的持续投入，共同构成存算一体芯片产业化提速的上游基础；而上游各环节的协同成熟速度，将决定这一新架构从商用验证走向规模替代的节奏。

中游：芯片设计与制造

一、全数字通用架构的设计要点

存算一体芯片的核心逻辑，是在数据存储单元附近或内部直接完成计算，从而消除冯·诺依曼架构下“存储墙”带来的数据搬运功耗与延迟。在这一大方向下，存在模拟计算与数字计算两条技术路线：模拟路线直接利用存储器件的物理特性进行乘加运算，能效比理论上更高，但受器件噪声、温漂影响，精度与通用性受限；数字路线则以标准数字逻辑完成存内或近存计算，牺牲部分理论能效，换取计算精度、可复现性与软件生态的兼容性。

亿铸科技选择的“全数字通用存算一体 + 3D DRAM”组合，正是数字路线的代表性方案。其设计要点可归纳为三个层面：

其一，计算范式层面，采用全数字计算单元，避免模拟器件的非理想性带来的精度损失，使芯片可以支持主流AI模型的低比特乃至多比特运算，具备面向大模型推理等多类负载的通用性，而非局限于特定场景的定制加速。

其二，存储介质层面，引入3D DRAM作为存算单元的载体。相比SRAM方案，DRAM单位容量密度更高、成本更低，可支撑更大容量的片上存储，缓解大模型推理中的权重搬运压力；相比新型阻变存储器等介质，DRAM工艺成熟度更高，降低了流片与量产的不确定性。

其三，工程实现层面，全数字架构对EDA工具链、标准单元库与成熟工艺节点依赖较小，设计与验证方法学可部分复用传统数字芯片流程，这为其进入商用化验证阶段提供了工程基础。

二、从设计到流片的研发流程与当前进展

一颗存算一体芯片从架构定义到商用量产，通常需经历架构设计与RTL验证、物理设计与流片、封装测试、客户送样与商用化验证等环节。当前行业处于快速迭代期，代表性企业的进展节点如下：

以亿铸科技为例，其基于3D DRAM的全数字通用存算一体AI芯片已完成流片，商用芯片的测试结果基本达到预设设计指标。这意味着该产品已经走完“设计—流片—测试验证”的主干流程，技术路线从实验室验证迈入商用化验证阶段——这是国产存算一体赛道的关键跨越。此前多数初创企业的存算一体芯片停留在工程样片或特定算法验证层面，而“商用芯片测试达到预设指标”表明其设计收敛性与工艺可实现性均已通过实物验证。

三、测试验证情况的产业含义

测试验证是从研发走向量产业化的分水岭，其评估维度通常包括：功能正确性、性能指标（算力、带宽、延迟）、功耗表现、良率与可靠性。参考素材显示，亿铸商用芯片的测试结果“基本达到预设设计指标”，表述上属于指标层面的正向确认，但“基本达到”的措辞也提示：从首轮流片成功到大规模量产，仍需经历小批量试产、良率爬坡、可靠性认证与客户场景适配等环节。

从产业链视角看，测试验证通过后的关键节点还包括：一是流片良率与批量一致性，决定单位成本能否进入商用区间；二是软件栈与开发工具链的完善程度，决定客户迁移成本与生态接受度；三是与下游整机、算力集群厂商的联合验证，决定订单能否转化为规模化量产。

四、资本支撑与商业化节奏

产业化提速离不开资金支持。亿铸科技本轮融资规模超10亿元，资金投向研发投入、产品迭代及产业化推进，单轮融资规模在国产AI芯片初创公司中处于头部水平。这一融资体量为后续的小批量试产、客户送样与产能保障提供了资金缓冲，也反映出资本市场对存算一体这一突破冯·诺依曼瓶颈路线的持续押注。

综合来看，中游环节的产业化节奏可概括为一条漏斗式的收敛路径：

亿铸已完成流片并实现测试指标基本达标，处于漏斗中段偏上的位置。下一阶段的观察重点，是良率爬坡、软件生态建设与首批商用订单落地情况——这三项指标将决定全数字通用存算一体架构能否真正从“技术验证成功”走向“商业闭环成立”，并重塑中游芯片设计与制造环节的竞争格局。

下游：应用与需求驱动

一、算力需求激增：架构瓶颈倒逼采购逻辑重构

下游应用是存算一体芯片产业化的根本牵引。随着大模型训练与推理规模持续攀升，传统冯·诺依曼架构下"数据在存储与计算单元之间来回搬运"的模式暴露出明显的"存储墙"与"功耗墙"问题——在推理场景中，数据搬运消耗的能量往往远高于计算本身，能效比成为下游客户选型时越来越刚性的指标。

这一变化正在重塑芯片采购逻辑。云端大模型服务商关注单位推理成本与数据中心电力约束；边缘侧设备商则受制于电池容量与散热条件，对每瓦算力（TOPS/W）的敏感度甚至高于峰值算力。存算一体架构通过在存储单元内直接完成计算，大幅减少数据搬运，天然契合"低功耗、高能效"的下游需求，这正是资本持续押注该方向的产业逻辑基础。以亿铸科技为例，其基于3D DRAM的全数字通用存算一体AI芯片已完成流片，商用芯片测试结果基本达到预设设计指标，技术路线从实验室验证迈入商用化验证阶段；公司同期完成超10亿元新一轮融资，资金投向研发投入、产品迭代及产业化推进，为量产落地提供了支撑。

二、需求传导链条：从场景到芯片

下游需求的传导路径可以概括为：应用场景定义算力规格，算力规格倒逼架构选型，架构选型决定零部件与供应链格局。

在这一循环中，大模型推理是当前需求体量最大的场景。推理端对算力的要求低于训练，但对能效、延迟和单位成本高度敏感，且需求随用户规模线性放大，是存算一体芯片最先形成商业闭环的切入点。边缘计算则是差异化竞争的关键场景——智能汽车、工业视觉、智能安防、终端AI等应用需要在有限功耗预算内提供实时推理能力，为国产存算一体厂商提供了避开与成熟GPU直接竞争的窗口期。

三、场景定位：技术门槛与商业价值二维透视

不同下游场景对存算一体芯片的吸引力存在显著差异，可从技术门槛与商业价值两个维度进行定位：

云端大模型推理技术门槛最高、商业价值最大，是头部厂商争夺的主战场，但对芯片的通用性、精度和生态成熟度要求苛刻；智能汽车兼具高价值与车规级门槛，是中期最有潜力的增量市场；边缘智能终端与工业视觉场景分散、单点价值较低，但进入门槛相对友好，适合初创厂商积累出货量与工程经验。亿铸强调的"全数字、通用"路线，正是为了覆盖从云端到边缘的多场景需求，提高商业化弹性。

四、采购决策的四重考量

综合来看，下游客户在评估存算一体芯片时的采购逻辑可归纳为四个层面：

其中最关键的是验证成熟度：对于下游客户而言，"完成流片且测试达到设计指标"是进入供应商短名单的基本门槛，而量产一致性、软件工具链完备度和长期供货保障则决定能否真正形成订单。这也是为何亿铸本轮超10亿元融资被市场解读为"量产落地的资金支撑"——单轮融资规模在国产AI芯片初创公司中属于头部水平，反映出资本对突破冯·诺依曼架构瓶颈路线的持续押注，也间接增强了下游客户对新架构供应商量产能力的信心。

五、本章小结

下游需求正从"要算力"转向"要能效比合适的算力"。大模型推理与边缘计算两大场景共同构成了存算一体芯片的核心需求基本盘：前者提供规模，后者提供差异化空间。随着以亿铸科技为代表的厂商完成流片验证并获得大额融资支持，存算一体芯片正沿着"技术验证—商用验证—规模出货"的路径推进，下游采购决策将从观望试点逐步转向批量导入，产业化的临界点取决于首批商用产品在真实场景中的能效与成本表现。

资本动向与市场数据

5.1 赛道融资全景：从概念验证到量产押注

存算一体作为突破冯·诺依曼架构瓶颈的核心技术路线，近年来持续获得一级市场关注。随着大模型带动算力需求激增、传统架构遭遇功耗墙，资本对该赛道的投资逻辑已从早期的“技术概念认可”逐步转向“量产落地验证”，资金规模与单轮融资量级同步抬升。

以亿铸科技为例，其近期宣布完成超10亿元新一轮融资，资金将投向研发投入、产品迭代及产业化推进。这一融资规模在国产AI芯片初创公司中属于头部水平，具有标志性意义：

• 量级信号：超10亿元的单轮融资通常出现在芯片公司从流片验证迈向量产爬坡的关键节点，反映资本对其商用化进程的确认；
• 技术验证支撑：亿铸基于3D DRAM的全数字通用存算一体AI芯片已完成流片，商用芯片测试结果基本达到预设设计指标，表明其技术路线已从实验室验证迈入商用化验证阶段——这正是大额资金敢于进入的基本前提；
• 方向确认：融资事件背后是资本市场对“存算一体+3D DRAM”这一国产AI算力新架构方向的持续押注。

5.2 单轮超10亿融资的资本偏好与估值逻辑

超10亿元级融资的出现，折射出当前资本对存算一体赛道的三大偏好：

第一，偏好“有流片实证”的标的。 芯片行业资本密集、验证周期长，投资机构普遍将流片成功与测试达标作为估值跃升的关键分水岭。亿铸商用芯片测试结果“基本达到预设设计指标”，意味着其核心不确定性已大幅收敛，估值逻辑随之从“技术团队溢价”切换为“产品确定性溢价”。

第二，偏好“量产前窗口期”的卡位。 在产品尚未大规模出货、收入尚未放量的阶段，单轮融资超10亿元，本质上是资本以资金换时间：帮助企业在量产落地前完成产能、客户与生态的卡位，抢占未来市场格局中的身位。

第三，偏好“架构级差异化”。 相同融资额下，资本更愿意投向具备架构级创新、可能重构成本曲线的路线，而非同质化的跟随设计。存算一体通过降低数据搬运开销应对功耗瓶颈，正属于此类“架构级故事”，因而能够支撑头部量级的估值。

5.3 竞争格局中的资本坐标

从资本视角观察，当前存算一体赛道的参与者可大致按技术门槛与商业价值两个维度定位：

处于第一象限的企业具备“高技术验证度+高资本规模”的双重特征：流片完成、测试达标使其技术风险显著降低，而超10亿元级融资又为其量产与商业化提供了充足弹药。第二象限企业技术路线获得一定验证，但融资规模尚在追赶，是下一轮资本关注的潜在对象。

5.4 小结与展望

综合来看，存算一体赛道的资本曲线呈现出清晰的阶段性特征：早期以小额天使轮与A轮为主，验证技术可行性；中期以数亿元级B轮为主，验证流片与工程能力；当前以亿铸科技超10亿元融资为标志，资金开始向“测试达标、临近量产”的头部标的集中。

需要指出的是，大额融资既是资本信心的体现，也意味着更高的商业化对赌压力。对被投企业而言，下一阶段的考验将集中在量产良率、客户导入与规模化交付能力上；对资本而言，估值逻辑能否兑现，取决于存算一体产品在真实商用场景中的性能与成本表现。资本与产业的互动，正推动存算一体从“架构创新叙事”走向“市场验证新阶段”。

趋势判断与风险提示

一、量产落地节奏研判

存算一体芯片正处在从“技术验证”走向“商用验证”的关键拐点。以亿铸科技为例，其基于3D DRAM的全数字通用存算一体AI芯片已完成流片，商用芯片测试结果基本达到预设设计指标，标志着该技术路线从实验室验证迈入商用化验证阶段。叠加超10亿元单轮融资的注入，资金将投向研发投入、产品迭代及产业化推进，量产落地的资源条件已初步具备。

从产业化一般规律判断，未来2-3年将是存算一体路线能否规模化的窗口期：先在特定垂直场景（如边缘推理、低功耗AI终端）实现小批量商用验证，再逐步向更大规模算力场景渗透。基于3D DRAM的全数字路线因兼顾通用性与精度可控性，具备先在数据中心的推理侧切入的潜力，但大规模放量仍需经历良率爬坡、工具链完善与客户适配验证的完整周期。

二、与传统架构的竞合关系

存算一体与以GPU为代表的传统冯·诺依曼架构并非简单的替代关系，更可能在较长时期内呈现“竞合并存”格局：

• 竞争面：在功耗敏感、能效比优先的推理场景，存算一体具备架构级优势，直接挑战传统架构的市场份额；
• 合作面：传统生态（软件栈、编译器、开发者工具链）壁垒深厚，存算一体芯片短期内仍需兼容主流框架、嵌入现有算力体系，形成“异构共存”的部署形态；
• 演进面：头部传统厂商也在探索近存计算、HBM堆叠等改良路线，双方技术边界可能出现融合，加速整个产业对“存储墙”问题的共同求解。

三、核心风险提示

1. 技术迭代风险。 存算一体内部存在数字、模拟、混合等多条子路线，技术范式尚未收敛；同时传统架构厂商通过先进封装、近存计算持续改进能效比，若存算一体路线迭代速度不及预期，架构代际优势可能被稀释。亿铸的商用芯片测试结果“基本达到预设设计指标”，与大规模商用要求之间仍存在验证与优化空间。

2. 供应链风险。 3D DRAM及先进制程工艺涉及上游代工、存储介质与封装测试环节，产能保障与良率稳定性直接影响量产节奏；地缘因素扰动下，先进工艺产能获取的确定性亦需纳入考量。

3. 商业化不确定性风险。 大客户导入周期长、软件生态建设投入大，商业化收入兑现可能滞后于资本预期。超10亿元融资虽在国产AI芯片初创公司中处于头部水平，为产业化提供资金支撑，但量产、上量到盈利的链条仍需持续融资与订单验证双重支撑。

四、小结

存算一体路线已迈过商用化验证门槛，资本与产业资源正加速向头部团队集中，未来2-3年是决定该路线能否规模放量的关键观察期。建议产业方关注商用芯片的批量交付进展、软件生态成熟度与下游订单落地情况；同时理性看待技术范式未收敛、供应链波动与商业化周期错配带来的不确定性，以“技术验证—场景验证—规模验证”的节奏评估产业化成色。