美光研发面向物理AI场景的边缘推理内存EIM

近日，在韩国半导体展SEDEX 2026举办的专题论坛上，美光披露正在研发面向物理AI场景的全新存储产品边缘推理内存EIM，瞄准人形机器人、自动驾驶、AR与VR等终端设备的本地AI推理需求，通过架构创新降低数据交互延迟，提升内存带宽，以此抢抓物理AI浪潮下的存储市场机遇。

物理AI区别于云端生成式AI，核心特征是智能体需要依托各类传感器持续感知物理世界，实时完成环境理解、决策输出与动作执行，对端侧硬件的响应速度、功耗水平与内存带宽提出严苛约束，传统内存架构正在成为物理AI落地的瓶颈。美光高管在论坛中表示，物理AI赛道正迎来快速增长周期，公司已经和产业链核心客户开展深度研讨，共同打磨适配新一代终端的内存方案。

边缘推理内存EIM全称Edge Inference Memory，产品架构采用在逻辑裸片上垂直堆叠低功耗LPDDR内存的设计，专门用于高速承载AI推理任务的数据流转。从产品定位来看，EIM部署在AI处理器与内存之间，核心目标是削减数据搬运带来的延迟，提升系统可用带宽。行业长期存在的内存墙问题，在端侧AI场景表现尤为突出，AI模型推理过程中，权重参数、上下文缓存、传感器采集的多模态数据需要在计算单元与内存之间反复传输，数据搬运消耗大量时间与电力，限制模型响应速度。物理AI设备往往需要不间断采集图像、距离、姿态等多维度感知信号，实时运行视觉语言模型，延迟过高会直接影响机器人、自动驾驶设备的安全决策能力，EIM的研发正是针对这一痛点提出的解决方案。

市场容易将EIM与存内计算PIM技术混淆，二者都着眼于缓解内存墙，提升AI推理的数据处理效率，但底层设计思路存在明显差异。PIM方案将计算单元直接集成在存储芯片内部，在内存中完成运算任务，减少数据向外传输；而EIM的运算架构现阶段尚未对外公开，并非把算力内置进存储颗粒，更多是依托堆叠封装架构优化AI芯片与内存之间的数据通路，优化推理数据流调度逻辑。二者同属端侧内存创新路线，面向不同客户场景，美光选择EIM这条技术路径，也体现出企业对物理AI硬件需求的差异化判断。当前美光正在推进基于LPDDR6的EIM技术研发，产品具体性能指标暂未对外公布，行业机构预判这款产品有望在2028年下半年实现量产。

人形机器人作为物理AI最具代表性的终端形态，也是EIM重点瞄准的应用场景。现阶段量产人形机器人搭载的AI模型参数量大多维持在10亿至20亿区间，设备供电能力有限，普遍选用低功耗LPDDR内存，不会采用面向数据中心的HBM。但随着视觉语言模型持续下沉到机器人端，模型参数量持续提升，机器人需要同时处理摄像头、激光雷达、力传感器的多路数据，实时完成环境识别与动作规划，现有LPDDR的带宽余量将会逐步吃紧，难以支撑更复杂的自主智能任务。美光判断，未来高性能人形机器人对内存容量需求会大幅上涨，高端机型未来或将配备200GB DRAM，长期来看人形机器人领域也会引入HBM技术，而EIM可以作为过渡与补充方案，平衡带宽、延迟与功耗之间的矛盾，适配中高端物理AI终端的差异化需求。

当前全球AI产业重心正从云端训练，逐步向边缘端本地推理延伸。云端大模型依托数据中心HBM等高带宽内存支撑海量参数训练，而物理AI设备无法稳定依赖云端网络，很多场景要求断网状态下也可以独立完成感知与决策，本地推理能力成为刚需。这类设备空间紧凑、电池容量有限，不能简单照搬数据中心的存储方案，既需要更高内存带宽支撑多模态大模型运行，又必须严格控制功耗，传统通用内存很难同时满足多重约束，这也催生了专用边缘内存的市场空间。存储不再只是配套元器件，而是决定物理AI设备模型运行上限的关键硬件，内存带宽、延迟、容量与功耗的综合表现，直接决定端侧智能体的推理能力。

存储厂商纷纷加大边缘AI存储技术投入，赛道竞争持续升温。除美光之外，三星、SK海力士都在布局面向端侧AI的低功耗高带宽内存产品，探索不同架构方案应对内存墙挑战。各家技术路线各有侧重，部分厂商侧重优化传统LPDDR迭代，部分发力存内计算技术，美光推出EIM，进一步丰富了物理AI赛道的存储技术选项。对于美光自身而言，HBM产品主要卡位云端AI算力市场，而EIM则瞄准物理AI新兴增量市场，形成云端与边缘两条产品线的协同布局，打开新的增长曲线。伴随人形机器人、车载自动驾驶、空间计算硬件进入产业化落地周期，端侧AI内存市场规模有望持续扩张，提前布局专用内存产品，有助于美光在新一轮硬件变革中抢占客户资源。