AI改变芯片格局，存储计算边界逐渐消融

随着HBM成本接近GPU+HBM CoWoS封装总成本的一半，存储器还能仅仅被看作AI计算里的被动器件吗？答案要回到 “存储墙”，这个难题影响了近半个世纪的半导体发展。

自冯・诺依曼架构诞生以来，计算系统基本围绕两大核心部件：处理器与存储器。计算和数据存储相互分离，是这套架构的核心特征，不过生物大脑并不是这样工作。

人脑里面，存储、计算与信号传输在神经元和突触中同步完成。量子计算机同样脱离传统模型，量子比特既是量子态载体，也是计算单元。

在半导体行业发展的很长一段时间里，存储器也曾是技术进步的主要驱动力。存储芯片拥有高度重复的单元结构，密集的阵列通常占据芯片大部分面积。这种规整结构，叠加巨大的容量需求，倒逼厂商持续提升存储密度与良率。

行业发展前四十年，存储技术带动了大量制造工艺突破。以中国台湾地区为例，存储厂商打造出当地第一座8英寸晶圆厂、第一条DUV量产线，以及第一座12英寸晶圆厂。

存储墙改变产业天平

2000年代中期，DRAM遇到物理缩放极限，这一局面开始发生变化。

DRAM依靠电容储存电荷。存储单元不断缩小的同时，电容尺寸同步缩减，很难维持足够电荷量，工艺微缩难度持续加大。

于是DRAM工艺迭代速度开始落后于逻辑芯片。进入20nm节点之后，DRAM一路迭代1x、1y、1z、1a、1b、1c、1d世代，但大体仍停留在10nm级别。而逻辑芯片则从22nm一路走到14nm、10nm、7nm以及更先进节点。

处理器与存储器之间持续拉大的性能差距，催生了 “存储墙” 现象：处理器运算速度很快，但存储系统无法高效供给数据。如今这也是AI芯片设计最核心的难题之一。

数字AI，无论是训练、推理还是智能体AI，仍然高度依赖先进逻辑芯片。但物理AI的兴起，或将让产业重心重新向存储器倾斜，尤其是边缘设备与自动驾驶系统，需要在严格功耗约束下完成推理。

存内处理（PIM）是一条可行路线：把计算单元放到靠近数据存储的位置，降低数据传输延迟与功耗。计算单元可以集成在内存模组、先进封装内部，甚至直接做在存储裸片上。

SK海力士的LPDDR5-AiM（内存加速器）就是这类方案。它在LPDDR5存储阵列周边增加计算能力，完成矩阵向量乘法。AI推理时模型权重一般存放在DRAM中，并且会被反复读取；计算靠近权重，就能减少数据搬运。

但取舍也随之而来：基于存储工艺制造的处理器，性能无法对标专为计算优化的逻辑芯片。不过很多推理场景下，功耗效率提升、减少数据搬运带来的收益，足以弥补性能短板。

存内计算更进一步

存内计算（CIM）则把思路推得更远：让存储单元本身，或是和存储单元紧密绑定的电路直接参与运算。

二者的区别很关键：PIM只是把处理器放在存储器附近，存储单元主要负责存储；CIM尝试直接利用存储阵列完成矩阵向量乘法这类AI核心运算。

主流技术路线包含SRAM、DRAM、阻变存储器（ReRAM）、磁阻存储器（MRAM），各有优劣。

基于SRAM的CIM已经落地边缘推理场景，例如图像语音识别、物联网传感、工业异常检测、小型神经网络。SRAM速度快、耐用，适配成熟工艺，但单元尺寸偏大，很难扩展到GPU级别的大规模计算。

DRAM存储密度更高，未来3D架构还有进一步提升空间。但DRAM依靠电容的存储单元无法直接完成通用计算，DRAM基CIM一般需要位线、灵敏放大器等外围电路。模拟运算还需要额外电路与数据转换模块。

ReRAM思路完全不同。它的可变电阻可以表征多级电导，而不只是0/1二元状态，AI权重能够直接以模拟形式保存。ReRAM交叉阵列天然就可以执行矩阵向量运算。

ReRAM属于非易失性存储器，权重数据可以长期保存，不用反复从外部存储调入，架构更接近非冯・诺依曼计算。

MRAM同样是非易失性存储，但依靠磁态保存信息。它是二元存储，做模拟计算会遇到和DRAM类似的难题。新一代方案中，自旋轨道扭矩MRAM（SOT MRAM）受到关注，擦写耐久度逐步接近高强度计算场景要求。

ReRAM、相变存储器（PCRAM）等其他非易失存储技术各有优势，但反复写入会改变存储材料物理特性，耐久度仍是短板。

新架构或将重塑芯片竞争格局

PIM的基本构想几乎和集成电路同时诞生，现代形态的CIM则在2010年后快速发展。AI浪潮，让这两条技术路线拥有了全新战略价值。

过去十年半导体竞争，先进逻辑工艺厂商占据绝对优势。高性能处理器带来丰厚利润，竞争对手不惜重金追赶，尽管成本越来越高、回报不确定性加大。

但如果行业脱离传统冯・诺依曼计算架构，竞争格局就会改变。

一旦存储器从被动存储部件，转变为计算环节的组成部分，半导体竞争重心将更多转向存储架构、材料、封装和系统级集成，不再只由逻辑工艺领先程度决定。

这相当于开启一套规则全新的技术竞赛。这也解释，为什么原本主打逻辑芯片的企业，现在也高度重视存储器。

所以HBM在AI硬件成本占比持续提升，只是表象。更大的变革来自架构层面：存储正在靠近计算，部分方案里，存储本身就参与计算。