模拟存算 (Analog In-Memory Computing)

最后更新：2024 年 8 月

1. 3 秒看懂

模拟存算（Analog Compute-In-Memory，ACIM）是一种颠覆性计算范式，它直接在存储器阵列内以模拟信号方式完成人工智能中最核心的乘加运算，从而几乎消除传统芯片中处理器与存储器之间的数据搬运功耗与延迟。一句话：让存储器自己“算”起来，专为极致能效的 AI 推理而生。

2. 3 分钟产业解释

现代 AI 芯片大多遵循冯·诺依曼架构，计算单元与存储单元分离，数据反复在两区域间搬运，由此形成的“存储墙”消耗了 80% 以上的能量与时间，尤其对边缘设备极为不利。模拟存算则把神经网络权重直接储存为存储单元的物理状态，例如电阻式随机存取存储器（RRAM）的电阻值，输入用电压信号表示，输出电流在导线上自然累加，全程在模拟域完成向量‑矩阵乘法（VMM）。其核心技术路径围绕新型非易失性存储器展开，包括 RRAM、相变存储器（PCM）、铁电场效应晶体管（FeFET）和 Flash 等。主要优势体现为超低功耗、高计算密度和近零延迟，典型应用集中在语音唤醒、关键词识别、异常声检测、图像粗分类等始终在线且需要长时间电池供电的边缘 AI 推理场景。

3. 技术原理

模拟存算的物理根基是欧姆定律 I = V/R 与基尔霍夫电流定律。在一个典型的交叉阵列中，字线施加输入电压 V_i，位线读出总电流；每一个交叉点上的存储单元电导 G_{ij} 代表网络权重 W_{ij}。流经该单元的电流为 I_{ij}=V_i\cdot G_{ij}，同一列所有单元电流在位线上自动相加，输出总电流 I_j = \sum_i V_i \cdot G_{ij}，即向量 V 与矩阵 G 的乘积。对于多层网络，可通过时间复用或阵列级联完成。

具体实现中，读出电路至关重要。跨阻放大器将累加电流转换为电压，再经模数转换器（ADC）送入后续数字逻辑或直接用于分类。同时，输入数据需数模转换器（DAC）变成模拟电压。ADC 与 DAC 的精度、速度、功耗和面积构成系统开销的核心约束。

存储单元的编程则是另一大技术难点。以 RRAM 为例，通过施加不同幅度/宽度的电压脉冲，可在上下电极之间的过渡金属氧化物薄膜中形成或断裂导电细丝，从而精确调制电导。然而，器件表现出显著的非线性、非对称开关、读写噪声、电导漂移和单元间变异，直接造成计算精度下降。学术界与工业界通过编程‑验证算法、片上参考单元校准、差分单元对结构以及与神经网络训练算法（如噪声感知训练）联合优化来缓解这些问题。多比特存储（譬如每单元 4 级电导水平）可大幅提升权重密度，但对应的编程精度、读出裕度及长期保持性要求急剧上升。

除 RRAM 外，PCM 依赖硫系化合物在非晶与晶态之间的电阻差异，其电导漂移更为显著，需补偿算法。FeFET 则利用铁电材料极化状态调制漏极电流，编程能量极低，但保持特性与百万次耐久性仍在验证中。Flash 基存算利用电荷俘获来改变阈值电压，在成熟 CMOS 工艺兼容性上优势明显，但擦写速度较慢，更适合对更新时间要求不高的推理场景。

4. 关键参数

评估模拟存算芯片的核心参数包括：

• 能效比（TOPS/W）：每瓦功耗下可执行的整数运算次数。Mythic 公司在 2022 年发布的 M1076 芯片标注在 ResNet‑50 推理下达到 25 TOPS 且功耗约 1 W，折合约 25 TOPS/W（来源：Mythic 2022 年产品技术白皮书）。同期，知存科技面向更轻量级语音场景的 WTM2101 虽然在绝对算力上约为 50 GOPS，但功耗可低至数十微瓦级别，能效比更高，适合全时在线的传感器端（来源：知存科技 2022 年产品发布信息）。需要注意的是，不同厂商的能效测试条件（网络模型、批尺寸、精度位宽、是否包含 ADC/DAC 功耗）差异显著，横向比较需谨慎。

• 有效精度：通常指推理时权重和激活的量化位宽。当前主流设计集中在 4 比特甚至更低。M1076 支持 4‑bit 权重/激活；Syntiant 的数字‑模拟混合 NDP 架构则普遍采用 8‑bit 或 4‑bit。模拟存算在更高精度（如 INT8 以上）场景中因器件非理想性而面临信噪比瓶颈，因此不适配训练或超高精度推理。

• 存储单元比特数：单器件可稳定分辨的电导级数。先进研究目标为 4 比特（16 级），但已量产或接近量产的器件大多仅实现 1‑2 比特，以保证足够的良率与数据保持性能。知存科技的 Flash 存算方案通过双单元差分方式实现高分辨力，具体比特数未公开详述。

• 耐久性与保持性：耐久性指数十万次至百万次编程循环，而在 85 °C 条件下要求保持时间 10 年以上。部分新型材料在多次读写后电阻窗口缩小，直接影响使用寿命，是车规芯片急需攻克的瓶颈。

• 阵列规模与工艺节点：当前商用化的阵列规模多处于 256×256 至 1024×1024 之间。代工厂提供的成熟工艺以 40 nm 和 28 nm 为主，如台积电的 40 nm RRAM 平台（2022 年推出）、华虹半导体的 40 nm 嵌入式非易失性存储器平台（2023 年量产，来源：华虹 2023 年报），先进制程向 22 nm 及以下演进，但成本与模拟噪声控制挑战尚存。

• 系统延迟：由于消除了数据往返搬运，处理单个推理请求的延迟通常在微秒级，远优于传统架构。但在复杂网络下，受 ADC 转换速率和阵列分时操作影响，需要结合架构整体评估。

由于厂商披露详细参数的途径不一，部分芯片的精确面积、峰值算力密度等指标在本文件撰写时 公开资料未见 统一第三方的实测结果。

5. 技术路线

模拟存算的竞争本质上是不同存储介质的技术路线之争，各方案在成熟度、微缩能力、可靠性与易用性上存在显著差异：

知存科技选择了 Flash 路径，其 WTM2101 已于 2022 年量产，成为全球最早的量产模拟存算芯片之一（来源：知存官方新闻稿）。Mythic 采用 RRAM，M1076 提供样片但大规模商用进展不如 Flash 路线顺利，公司于 2023 年战略调整至国防航天市场（来源：Mythic 2023 年公告）。亿铸科技、千芯科技等国内创企也押注 RRAM，仍处于工程样片或测试阶段。大厂方面，台积电、华虹专注于推出 RRAM 和 eFlash 工艺平台，以赋能无厂芯片公司；英特尔在 PCM 具有深厚积累，但其主要精力已转向数字存算和神经拟态计算。

6. 上游

模拟存算产业链的上游涵盖特种材料与设备、EDA 工具、IP 和晶圆制造等环节。

• 材料与设备：RRAM 制造依赖高纯度的过渡金属氧化物靶材（如 HfO₂、TaO₅）以及精确的原子层沉积（ALD）设备，以在晶圆上均匀生长纳米级薄膜。此外，退火、刻蚀、抛光设备同样重要。主要供应商包括应用材料（AMAT）、泛林（Lam Research）、东京电子（TEL）以及国内的北方华创、中微公司等。专用测试设备可对存储单元进行快速脉冲编程与模拟特性表征，Keysight、爱德万等有相应方案，但针对存算一体阵列的定制化测试机台仍属空白。

• EDA 工具：目前，主流 EDA 工具（Cadence、Synopsys、西门子 EDA）对模拟存算的支持极为有限。设计人员不得不借助 SPICE 仿真、FEM 多物理场耦合和定制模型来完成单元与阵列设计，缺乏从架构探索、布局布线到时序信号完整性分析的全流程工具，极大拖慢产品迭代速度。部分国内 EDA 公司如华大九天、芯华章正在探索拓展该领域，但尚无商业可用产品。

• IP 与设计服务：存储器编译器、模拟前端 IP、ADC/DAC IP 多为芯片公司内部自研。少数独立的 IP 供应商如 Synopsys 提供低功耗 ADC IP，但缺少专门为存算阵列优化的模拟前端 IP。全球范围尚无公开的成熟“存算一体 IP 库”。

• 晶圆代工与 IDM：台积电在 2022 年推出 40 nm RRAM 平台并不断优化（来源：TSMC 2022 Technology Symposium），同时提供嵌入式 MRAM 工艺。华虹半导体 2023 年年报披露其 40 nm 嵌入式非易失性存储器平台已实现量产，支持 RRAM 开发，预计将成为国内存算一体设计公司的主要流片渠道。中芯国际也有 40 nm 特种存储器工艺，但针对 RRAM 的细节未公开。GlobalFoundries 的 22FDX 平台集成了 MRAM 和 FeFET 选项，可服务欧美客户。

上游瓶颈主要体现在：量产级亚微米 FinFET 与新型存储器的一体化集成工艺仍需打磨，以及产业界极度匮乏存算一体专用 EDA 环境。部分关键靶材、前驱体虽然已被国内企业攻克，但用于先进节点的超高纯度材料仍多向海外采购。

7. 下游

模拟存算最先落地的场景是那些对功耗极为敏感、算力要求适中且常常电池供电的边缘 AI 设备。

• 音频与语音处理：这是模拟存算目前最大的商业成功领域。Syntiant 的 NDP 系列芯片仅需不到一毫瓦的功率即可完成自定义唤醒词、语音指令识别，已搭载于联想的智能耳机、摩托罗拉手机及众多品牌白牌 TWS 耳机中，累计出货量已突破 5000 万颗（来源：Syntiant 2023 年新闻稿）。知存科技的 WTM2101 也被应用于智能语音遥控器、穿戴式音频设备，实现本地语音唤醒与降噪。

• 健康与穿戴：智能手表、手环中的心电异常筛查、跌倒检测、睡眠分期等模型完全可以在微瓦级芯片上持续运行，无需唤醒主处理器。知存科技已公布与多家可穿戴品牌合作，具体出货量未披露。

• 智能家居/物联网传感器：无线摄像头、门铃中的人形检测、声音事件检测（玻璃破碎、婴儿哭声）均是典型应用。模拟存算芯片让这些设备仅靠干电池即可工作数月甚至一年以上。

• 工业与安防：振动传感器中的异常检测、电弧故障识别等，要求极低待机功耗和高实时性。虽然市场体量不如消费电子大，但对可靠性要求更高，产品导入周期较长。

• 国防与航空航天：对功耗、体积和重量有极端限制的无人机、微型侦察设备是模拟存算的高价值切入点。Mythic 在 2023 年明确表示将聚焦该市场，同年获得美国国防部下属机构合同，提供始终在线的 AI 感知计算（来源：Mythic 2023 年公告）。

• 潜在拓展：自动驾驶感知的前端预处理、可穿戴 AR 眼镜的手势识别和逐帧 SLAM 等均被看好，但因精度和可靠性要求，预计 2025 年之后才有规模化商业机会。

整体来看，下游应用渗透速度快于预期，但除音频唤醒市场外，大多仍处于早期试点或小批量阶段，尚未形成百亿颗级的大众消费引爆点。

8. 受益公司

考虑到模拟存算产业链的演进，不同环节可能在技术成熟度上升期受益，以下仅为基于公开信息的产业逻辑梳理，不构成任何买卖建议。

• 芯片设计初创：知存科技（未上市）、亿铸科技（未上市）、千芯科技（未上市）、Mythic（未上市）、Syntiant（未上市）等。若其产品成功量产并导入大客户，将最先获得营收与估值提升。知存科技已完成多轮融资，2023 年完成数亿元 B+ 轮融资（来源：知存科技新闻稿），具备先发优势。Mythic 同样自成立以来累计融资超 1.7 亿美元（截至 2022 年），在国防领域的突破为其提供差异化现金流。

• 上市公司布局：恒烁股份（688416.SH）作为 NOR Flash 厂商，2022 年发布基于其 CiNOR 技术的存算一体 AI 方案，目前该业务体量极小，2023 年营收主要由传统 NOR Flash 构成（来源：恒烁股份 2023 年年报）。若 CiNOR 路线获得市场认可，则可能打开第二增长曲线。其他如兆易创新（603986.SH）在 MCU 和 NOR Flash 积累深厚，可关注其是否会通过自研或投资方式切入。

• 晶圆代工：华虹半导体（1347.HK，已科创板上市）凭借 40 nm eNVM 平台，为国内多数存算设计公司提供流片；中芯国际（0981.HK）亦具备特种工艺能力。若模拟存算出货量爬坡，其特色工艺营收和产能利用率将受益。惟目前设计公司仍处试产和小批量阶段，代工收入贡献远未成规模。

• 上游材料与设备：沪硅产业、立昂微等硅片厂商；南大光电、雅克科技等前驱体及特种气体供应商；华兴源创等测试设备商均可能间接受益于新型存储器产业化带来的增量需求。但该需求极度依赖规模量产节点，公开资料未见具体金额拉动测算。

• IP/EDA 间接机会：如果华大九天等国内 EDA 公司开发出存算一体支持工具并获得采用，将受益于生态完善过程中的订阅与授权收入，然而当前尚无此类产品确认。

总体而言，直接受益公司以未上市的头部设计企业为主，A 股间接相关公司的业绩弹性在 2024 年依然极为微弱。

9. 市场规模

模拟存算一体作为新兴细分赛道，独立、权威的市场规模统计十分匮乏。多数研究机构将其归入边缘 AI 芯片或存内计算大范畴内进行定性判断。

根据 MarketsandMarkets 于 2023 年底发布的《Edge AI Hardware Market》报告，全球边缘 AI 硬件市场规模预计从 2023 年的 56 亿美元增长至 2028 年的 204 亿美元，复合年增长率约为 29.5%（来源：MarketsandMarkets, 2023）。该统计包括各类嵌入式 GPU、FPGA、ASIC 以及存算一体路线，模拟存算仅占其中极小一部分。

Yole Intelligence 在 2023 年《Status of the Memory Industry》和《Computing for AI – In-Memory and Analog》等报告中指出，存内计算（含模拟、数字及近存计算）仍处在“期望膨胀期”，预计 2028 年该大类的总市场规模或落在 20～50 亿美元区间，但强调具备高度不确定性，并取决于关键技术突破、EDA 生态成熟度和终端客户采购意愿（来源：Yole Group 2023 报告摘要）。具体到纯模拟存算的单体规模，公开资料未见 独立预测。

国内研究机构如赛迪顾问、艾瑞咨询等曾发布存算一体相关白皮书，定性看好未来 CAGR 超过 50%，但同样未给出精确的元年度市场空间。因此，截至目前，模拟存算的全球市场规模仍属于难以量化的蓝图，任何精准数字都应审慎看待。

10. 玩家对比

下表汇总截至 2024 年 7 月主要模拟存算企业的关键信息，所有资料来源于各公司官网、新闻稿及权威科技媒体报道。

从表中可见，仅有知存和 Syntiant 的产品真正进入规模量产，Syntiant 并非纯粹模拟存算，而是以模拟乘加器结合数字逻辑实现低功耗。纯模拟存算路线中，Mythic 的 M1076 仍停留在样片和特定客户阶段，国内其他 RRAM 路线的公司普遍处在流片验证或更早期。

11. 风险

技术风险

• 精度天花板：模拟计算的本质受制于热噪声、晶体管失配和非线性，很难达到数字计算的确定性。目前 4 比特是众多设计的标称上限，而大语言模型等前沿 AI 推理普遍要求 INT8 甚至浮点精度，模拟存算难以胜任。
• 工艺一致性与良率：晶圆级规模的亿级存储单元必须具有极低的电导差异，否则权重写入的误差会直接导致推理准确率陡降。耐久性（多次编程后窗口收窄）和高温数据保持性在汽车级标准下仍存挑战。
• 系统级能效抵消：高精度 ADC/DAC、片上校准电路和复杂数字控制单元可能吞噬掉内存计算本身节省的能量，最终系统能效未必显著领先于先进数字存算方案。

市场与生态风险

• 应用场景狭窄：当前成功案例高度集中于语音唤醒等超低比特率应用，若无法扩展到视觉中等精度领域，整体市场天花板受限。
• 软件生态薄弱：缺乏编译器、模型压缩与量化工具、自动部署框架，迫使开发商手动调优，严重制约开发者社区增长和产品移植速度。
• 传统架构的竞争：以 SRAM 为基础的数字存算近存计算、3D 堆叠 HBM 以及极低功耗的数字加速器（例如 ARM Ethos-U）正在持续压缩模拟存算的独特优势窗口。

投资风险

• 技术路线选择风险：重金押注的 RRAM 路线若长期无法解决一致性问题，公司可能面临技术淘汰，而转向其他存储介质又需要重新设计。
• 估值与实际收入脱节：多家创企在一级市场估值已达数十亿元人民币，但年营收可能仅数百万元，商业化变现路径长，退出前景存在不确定性。
• 政策与供应链：高端特种工艺依赖少数代工厂，存在地缘因素导致的供应中断风险。

12. 误读纠偏

行业交流与媒体报道中常见以下误解，有必要澄清：

• “模拟存算可以代替 GPU 训练大模型” 这是最常见的误会。模拟存算