模擬存算 (Analog In-Memory Computing)

最後更新：2024 年 8 月

1. 3 秒看懂

模擬存算（Analog Compute-In-Memory，ACIM）是一種顛覆性計算範式，它直接在儲存器陣列內以模擬訊號方式完成人工智慧中最核心的乘加運算，從而幾乎消除傳統晶片中處理器與儲存器之間的資料搬運功耗與延遲。一句話：讓儲存器自己“算”起來，專為極致能效的 AI 推論而生。

2. 3 分鐘產業解釋

現代 AI 晶片大多遵循馮·諾依曼架構，計算單元與儲存單元分離，資料反覆在兩區域間搬運，由此形成的“儲存牆”消耗了 80% 以上的能量與時間，尤其對邊緣裝置極為不利。模擬存算則把神經網路權重直接儲存為儲存單元的物理狀態，例如電阻式隨機存取儲存器（RRAM）的電阻值，輸入用電壓訊號表示，輸出電流在導線上自然累加，全程在模擬域完成向量‑矩陣乘法（VMM）。其核心技術路徑圍繞新型非易失性儲存器展開，包括 RRAM、相變儲存器（PCM）、鐵電場效應電晶體（FeFET）和 Flash 等。主要優勢體現為超低功耗、高計算密度和近零延遲，典型應用集中在語音喚醒、關鍵詞識別、異常聲檢測、影像粗分類等始終線上且需要長時間電池供電的邊緣 AI 推論場景。

3. 技術原理

模擬存算的物理根基是歐姆定律 I = V/R 與基爾霍夫電流定律。在一個典型的交叉陣列中，字線施加輸入電壓 V_i，位線讀出總電流；每一個交叉點上的儲存單元電導 G_{ij} 代表網路權重 W_{ij}。流經該單元的電流為 I_{ij}=V_i\cdot G_{ij}，同一列所有單元電流在位線上自動相加，輸出總電流 I_j = \sum_i V_i \cdot G_{ij}，即向量 V 與矩陣 G 的乘積。對於多層網路，可通過時間複用或陣列級聯完成。

具體實現中，讀出電路至關重要。跨阻放大器將累加電流轉換為電壓，再經模數轉換器（ADC）送入後續數字邏輯或直接用於分類。同時，輸入資料需數模轉換器（DAC）變成模擬電壓。ADC 與 DAC 的精度、速度、功耗和麵積構成系統開銷的核心約束。

儲存單元的程式設計則是另一大技術難點。以 RRAM 為例，通過施加不同幅度/寬度的電壓脈衝，可在上下電極之間的過渡金屬氧化物薄膜中形成或斷裂導電細絲，從而精確調變電導。然而，器件表現出顯著的非線性、非對稱開關、讀寫噪聲、電導漂移和單元間變異，直接造成計算精度下降。學術界與工業界通過程式設計‑驗證演算法、片上參考單元校準、差分單元對結構以及與神經網路訓練演算法（如噪聲感知訓練）聯合最佳化來緩解這些問題。多位元儲存（譬如每單元 4 級電導水平）可大幅提升權重密度，但對應的程式設計精度、讀出裕度及長期保持性要求急劇上升。

除 RRAM 外，PCM 依賴硫系化合物在非晶與晶態之間的電阻差異，其電導漂移更為顯著，需補償演算法。FeFET 則利用鐵電材料極化狀態調變漏極電流，程式設計能量極低，但保持特性與百萬次耐久性仍在驗證中。Flash 基存算利用電荷俘獲來改變閾值電壓，在成熟 CMOS 工藝相容性上優勢明顯，但擦寫速度較慢，更適合對更新時間要求不高的推論場景。

4. 關鍵引數

評估模擬存算晶片的核心引數包括：

• 能效比（TOPS/W）：每瓦功耗下可執行的整數運算次數。Mythic 公司在 2022 年釋出的 M1076 晶片標註在 ResNet‑50 推論下達到 25 TOPS 且功耗約 1 W，摺合約 25 TOPS/W（來源：Mythic 2022 年產品技術白皮書）。同期，知存科技面向更輕量級語音場景的 WTM2101 雖然在絕對算力上約為 50 GOPS，但功耗可低至數十微瓦級別，能效比更高，適合全時線上的感測器端（來源：知存科技 2022 年產品釋出資訊）。需要注意的是，不同廠商的能效測試條件（網路模型、批尺寸、精度位寬、是否包含 ADC/DAC 功耗）差異顯著，橫向比較需謹慎。

• 有效精度：通常指推論時權重和啟用的量化位寬。當前主流設計集中在 4 位元甚至更低。M1076 支援 4‑bit 權重/啟用；Syntiant 的數字‑模擬混合 NDP 架構則普遍採用 8‑bit 或 4‑bit。模擬存算在更高精度（如 INT8 以上）場景中因器件非理想性而面臨訊雜比瓶頸，因此不適配訓練或超高精度推論。

• 儲存單元位元數：單器件可穩定分辨的電導級數。先進研究目標為 4 位元（16 級），但已量產或接近量產的器件大多僅實現 1‑2 位元，以保證足夠的良率與資料保持效能。知存科技的 Flash 存算方案通過雙單元差分方式實現高分辨力，具體位元數未公開詳述。

• 耐久性與保持性：耐久性指數十萬次至百萬次程式設計迴圈，而在 85 °C 條件下要求保持時間 10 年以上。部分新型材料在多次讀寫後電阻視窗縮小，直接影響使用壽命，是車規晶片急需攻克的瓶頸。

• 陣列規模與工藝節點：當前商用化的陣列規模多處於 256×256 至 1024×1024 之間。代工廠提供的成熟工藝以 40 nm 和 28 nm 為主，如台積電的 40 nm RRAM 平台（2022 年推出）、華虹半導體的 40 nm 嵌入式非易失性儲存器平台（2023 年量產，來源：華虹 2023 年報），先進製程向 22 nm 及以下演進，但成本與模擬噪聲控制挑戰尚存。

• 系統延遲：由於消除了資料往返搬運，處理單個推論請求的延遲通常在微秒級，遠優於傳統架構。但在複雜網路下，受 ADC 轉換速率和陣列分時操作影響，需要結合架構整體評估。

由於廠商揭露詳細引數的途徑不一，部分晶片的精確面積、峰值算力密度等指標在本檔案撰寫時 公開資料未見 統一第三方的實測結果。

5. 技術路線

模擬存算的競爭本質上是不同儲存介質的技術路線之爭，各方案在成熟度、微縮能力、可靠性與易用性上存在顯著差異：

技術路線	代表器件/機制	優勢	挑戰	代表公司/機構
電阻式儲存器（RRAM）	HfOₓ、TaOₓ 基導電細絲開關	結構簡單、微縮潛力好（<10 nm）、低能耗、與 CMOS 後道整合容易	開關電壓/電阻變異大、耐久性有限、多位儲存一致性難控	Mythic、億鑄科技、千芯科技、TSMC、華虹
相變儲存器（PCM）	GST 合金晶態/非晶態電阻切換	高開關比、速度較快、非易失性好、適合模擬多位儲存	程式設計電流大、電導漂移明顯、材料熱穩定性要求高	Intel、IBM、STMicroelectronics
鐵電場效應電晶體（FeFET）	Hf₀.₅Zr₀.₅O₂（HZO）鐵電層控制閾值電壓	極低程式設計功耗、讀取無損、可與先進 CMOS 整合	保持特性待提升、耐久性在高溫度下退化、大陣列均一性	Ferroelectric Memory Co.、復旦大學、GlobalFoundries
磁隨機儲存器（MRAM）	STT‑MRAM 或 SOT‑MRAM	近乎無限的耐久性、快速切換、高可靠性	電阻比小（TMR 通常 <200%）、寫入電流較大，難以實現多位元模擬	Everspin、Samsung、台積電
Flash 存算	傳統浮柵或 SONOS 電荷俘獲	工藝高度成熟、成本低、適合大容量、已量產	擦寫速度慢、寫功耗高、耐久性較低（10⁴‑10⁵）、與先進邏輯工藝整合複雜	知存科技、恆爍股份

知存科技選擇了 Flash 路徑，其 WTM2101 已於 2022 年量產，成為全球最早的量產模擬存算晶片之一（來源：知存官方新聞稿）。Mythic 採用 RRAM，M1076 提供樣片但大規模商用進展不如 Flash 路線順利，公司於 2023 年戰略調整至國防航天市場（來源：Mythic 2023 年公告）。億鑄科技、千芯科技等國內創企也押注 RRAM，仍處於工程樣片或測試階段。大廠方面，台積電、華虹專注於推出 RRAM 和 eFlash 工藝平台，以賦能無廠晶片公司；英特爾在 PCM 具有深厚積累，但其主要精力已轉向數字存算和神經擬態計算。

6. 上游

模擬存算產業鏈的上游涵蓋特種材料與裝置、EDA 工具、IP 和晶圓製造等環節。

• 材料與裝置：RRAM 製造依賴高純度的過渡金屬氧化物靶材（如 HfO₂、TaO₅）以及精確的原子層沉積（ALD）裝置，以在晶圓上均勻生長奈米級薄膜。此外，退火、刻蝕、拋光裝置同樣重要。主要供應商包括應用材料（AMAT）、科林研發（Lam Research）、東京電子（TEL）以及國內的北方華創、中微公司等。專用測試裝置可對儲存單元進行快速脈衝程式設計與模擬特性表徵，Keysight、愛德萬等有相應方案，但針對存算一體陣列的定製化測試機臺仍屬空白。

• EDA 工具：目前，主流 EDA 工具（Cadence、Synopsys、西門子 EDA）對模擬存算的支援極為有限。設計人員不得不借助 SPICE 模擬、FEM 多物理場耦合和定製模型來完成單元與陣列設計，缺乏從架構探索、版面配置佈線到時序訊號完整性分析的全流程工具，極大拖慢產品迭代速度。部分國內 EDA 公司如華大九天、芯華章正在探索拓展該領域，但尚無商業可用產品。

• IP 與設計服務：儲存器編譯器、模擬前端 IP、ADC/DAC IP 多為晶片公司內部自研。少數獨立的 IP 供應商如 Synopsys 提供低功耗 ADC IP，但缺少專門為存算陣列最佳化的模擬前端 IP。全球範圍尚無公開的成熟“存算一體 IP 庫”。

• 晶圓代工與 IDM：台積電在 2022 年推出 40 nm RRAM 平台並不斷最佳化（來源：TSMC 2022 Technology Symposium），同時提供嵌入式 MRAM 工藝。華虹半導體 2023 年年報揭露其 40 nm 嵌入式非易失性儲存器平台已實現量產，支援 RRAM 開發，預計將成為國記憶體算一體設計公司的主要流片渠道。中芯國際也有 40 nm 特種儲存器工藝，但針對 RRAM 的細節未公開。GlobalFoundries 的 22FDX 平台集成了 MRAM 和 FeFET 選項，可服務歐美客戶。

上游瓶頸主要體現在：量產級亞微米 FinFET 與新型儲存器的一體化整合工藝仍需打磨，以及產業界極度匱乏存算一體專用 EDA 環境。部分關鍵靶材、前驅體雖然已被國內企業攻克，但用於先進節點的超高純度材料仍多向海外採購。

7. 下游

模擬存算最先落地的場景是那些對功耗極為敏感、算力要求適中且常常電池供電的邊緣 AI 裝置。

• 音訊與語音處理：這是模擬存算目前最大的商業成功領域。Syntiant 的 NDP 系列晶片僅需不到一毫瓦的功率即可完成自定義喚醒詞、語音指令識別，已搭載於聯想的智慧耳機、摩托羅拉手機及眾多品牌白牌 TWS 耳機中，累計出貨量已突破 5000 萬顆（來源：Syntiant 2023 年新聞稿）。知存科技的 WTM2101 也被應用於智慧語音遙控器、穿戴式音訊裝置，實現本地語音喚醒與降噪。

• 健康與穿戴：智慧手錶、手環中的心電異常篩查、跌倒檢測、睡眠分期等模型完全可以在微瓦級晶片上持續執行，無需喚醒主處理器。知存科技已公佈與多家可穿戴品牌合作，具體出貨量未揭露。

• 智慧家居/物聯網感測器：無線攝像頭、門鈴中的人形檢測、聲音事件檢測（玻璃破碎、嬰兒哭聲）均是典型應用。模擬存算晶片讓這些裝置僅靠乾電池即可工作數月甚至一年以上。

• 工業與安防：振動感測器中的異常檢測、電弧故障識別等，要求極低待機功耗和高即時性。雖然市場體量不如消費電子大，但對可靠性要求更高，產品匯入週期較長。

• 國防與航空航天：對功耗、體積和重量有極端限制的無人機、微型偵察裝置是模擬存算的高價值切入點。Mythic 在 2023 年明確表示將聚焦該市場，同年獲得美國國防部下屬機構合同，提供始終線上的 AI 感知計算（來源：Mythic 2023 年公告）。

• 潛在拓展：自動駕駛感知的前端預處理、可穿戴 AR 眼鏡的手勢識別和逐幀 SLAM 等均被看好，但因精度和可靠性要求，預計 2025 年之後才有規模化商業機會。

整體來看，下游應用滲透速度快於預期，但除音訊喚醒市場外，大多仍處於早期試點或小批次階段，尚未形成百億顆級的大眾消費引爆點。

8. 受益公司

考慮到模擬存算產業鏈的演進，不同環節可能在技術成熟度上升期受益，以下僅為基於公開資訊的產業邏輯梳理，不構成任何買賣建議。

• 晶片設計初創：知存科技（未上市）、億鑄科技（未上市）、千芯科技（未上市）、Mythic（未上市）、Syntiant（未上市）等。若其產品成功量產並匯入大客戶，將最先獲得營收與估值提升。知存科技已完成多輪融資，2023 年完成數億元 B+ 輪融資（來源：知存科技新聞稿），具備先發優勢。Mythic 同樣自成立以來累計融資超 1.7 億美元（截至 2022 年），在國防領域的突破為其提供差異化現金流量。

• 上市公司版面配置：恆爍股份（688416.SH）作為 NOR Flash 廠商，2022 年釋出基於其 CiNOR 技術的存算一體 AI 方案，目前該業務體量極小，2023 年營收主要由傳統 NOR Flash 構成（來源：恆爍股份 2023 年年報）。若 CiNOR 路線獲得市場認可，則可能開啟第二增長曲線。其他如兆易創新（603986.SH）在 MCU 和 NOR Flash 積累深厚，可關注其是否會通過自研或投資方式切入。

• 晶圓代工：華虹半導體（1347.HK，已科創板上市）憑藉 40 nm eNVM 平台，為國內多數存算設計公司提供流片；中芯國際（0981.HK）亦具備特種工藝能力。若模擬存算出貨量爬坡，其特色工藝營收和產能利用率將受益。惟目前設計公司仍處試產和小批次階段，代工營收貢獻遠未成規模。

• 上游材料與裝置：滬矽產業、立昂微等矽片廠商；南大光電、雅克科技等前驅體及特種氣體供應商；華興源創等測試裝置商均可能間接受益於新型儲存器產業化帶來的增量需求。但該需求極度依賴規模量產節點，公開資料未見具體金額拉動測算。

• IP/EDA 間接機會：如果華大九天等國內 EDA 公司開發出存算一體支援工具並獲得採用，將受益於生態完善過程中的訂閱與授權營收，然而當前尚無此類產品確認。

總體而言，直接受益公司以未上市的頭部設計企業為主，A 股間接相關公司的業績彈性在 2024 年依然極為微弱。

9. 市場規模

模擬存算一體作為新興細分賽道，獨立、權威的市場規模統計十分匱乏。多數研究機構將其歸入邊緣 AI 晶片或存內計算大範疇內進行定性判斷。

根據 MarketsandMarkets 於 2023 年底釋出的《Edge AI Hardware Market》報告，全球邊緣 AI 硬體市場規模預計從 2023 年的 56 億美元增長至 2028 年的 204 億美元，複合年增長率約為 29.5%（來源：MarketsandMarkets, 2023）。該統計包括各類嵌入式 GPU、FPGA、ASIC 以及存算一體路線，模擬存算僅佔其中極小一部分。

Yole Intelligence 在 2023 年《Status of the Memory Industry》和《Computing for AI – In-Memory and Analog》等報告中指出，存內計算（含模擬、數字及近存計算）仍處在“期望膨脹期”，預計 2028 年該大類的總市場規模或落在 20～50 億美元區間，但強調具備高度不確定性，並取決於關鍵技術突破、EDA 生態成熟度和終端客戶採購意願（來源：Yole Group 2023 報告摘要）。具體到純模擬存算的單體規模，公開資料未見 獨立預測。

國內研究機構如賽迪顧問、艾瑞諮詢等曾釋出存算一體相關白皮書，定性看好未來 CAGR 超過 50%，但同樣未給出精確的元年度市場空間。因此，截至目前，模擬存算的全球市場規模仍屬於難以量化的藍圖，任何精準數字都應審慎看待。

10. 玩家對比

下表彙總截至 2024 年 7 月主要模擬存算企業的關鍵資訊，所有資料來源於各公司官網、新聞稿及權威科技媒體報道。

公司	成立年份	總部	技術路線	代表產品/進展	量產狀態	目標市場	已公開融資/財務
知存科技	2017	中國北京	Flash 存算	WTM2101 (2022)，WTM‑2 系列在研	已量產	語音/穿戴/健康	2023 年完成數億元 B+ 輪（來源：公司新聞）
Mythic	2017	美國/以色列	RRAM	M1076 (2022)	工程樣片	國防/航空航天	累計超 1.7 億美元（截至 2022 年）
Syntiant	2017	美國	模擬前端+數字邏輯	NDP101/120/200 系列	量產（超 5000 萬顆）	超低功耗音訊/感測器	累計約 1.2 億美元（截至 2022 年）
億鑄科技	2020	中國上海	RRAM	2023 年完成流片驗證，測試中	未量產	邊緣/雲端端推論	Pre-A 輪、A 輪融資，金額未揭露
千芯科技	2019	中國北京	多技術路線（含 RRAM）	晶片研發階段	未量產	AI 推論	融資歷史部分公開，數額較小
恆爍股份	2015	中國合肥	NOR Flash/CiNOR	2022 年推出存算一體 IP，集成於 MCU 方案	IP 階段，未形成晶片產品	IoT、輕量 AI	2023 年營收（全業務）約 9 億元；AI 部分可忽略（來源：2023 年報）
Rain AI	2020	美國	模擬存算（MRAM方向）	研發階段	無公開產品	邊緣 AI	獲得 OpenAI 創始人等投資，金額不詳

從表中可見，僅有知存和 Syntiant 的產品真正進入規模量產，Syntiant 並非純粹模擬存算，而是以模擬乘加器結合數字邏輯實現低功耗。純模擬存算路線中，Mythic 的 M1076 仍停留在樣片和特定客戶階段，國內其他 RRAM 路線的公司普遍處在流片驗證或更早期。

11. 風險

技術風險

• 精度天花板：模擬計算的本質受制於熱噪聲、電晶體失配和非線性，很難達到數字計算的確定性。目前 4 位元是眾多設計的標稱上限，而大語言模型等前沿 AI 推論普遍要求 INT8 甚至浮點精度，模擬存算難以勝任。
• 工藝一致性與良率：晶圓級規模的億級儲存單元必須具有極低的電導差異，否則權重寫入的誤差會直接導致推論準確率陡降。耐久性（多次程式設計後窗口收窄）和高溫資料保持性在汽車級標準下仍存挑戰。
• 系統級能效抵消：高精度 ADC/DAC、片上校準電路和複雜數字控制單元可能吞噬掉記憶體計算本身節省的能量，最終系統能效未必顯著領先於先進數字存算方案。

市場與生態風險

• 應用場景狹窄：當前成功案例高度集中於語音喚醒等超低位元率應用，若無法擴充套件到視覺中等精度領域，整體市場天花板受限。
• 軟體生態薄弱：缺乏編譯器、模型壓縮與量化工具、自動部署架構，迫使開發商手動調優，嚴重製約開發者社群增長和產品移植速度。
• 傳統架構的競爭：以 SRAM 為基礎的數字存算近存計算、3D 堆疊 HBM 以及極低功耗的數字加速器（例如 ARM Ethos-U）正在持續壓縮模擬存算的獨特優勢視窗。

投資風險

• 技術路線選擇風險：重金押注的 RRAM 路線若長期無法解決一致性問題，公司可能面臨技術淘汰，而轉向其他儲存介質又需要重新設計。
• 估值與實際營收脫節：多家創企在一級市場估值已達數十億元人民幣，但年營收可能僅數百萬元，商業化變現路徑長，退出前景存在不確定性。
• 政策與供應鏈：高階特種工藝依賴少數代工廠，存在地緣因素導致的供應中斷風險。

12. 誤讀糾偏

行業交流與媒體報道中常見以下誤解，有必要澄清：

• “模擬存算可以代替 GPU 訓練大型模型” 這是最常見的誤會。模擬存算