28纳米反超1000倍?不需要EUV的芯片黑魔法：对话知存科技王绍迪

🧠 存算一体技术原理与优势：打破冯·诺依曼瓶颈

核心观点：

存算一体（Processing-in-Memory, PIM）技术通过利用物理规律直接在存储器阵列中进行计算，解决了传统冯·诺依曼架构中“存储墙”和“功耗墙”的问题。该技术特别匹配深度学习和Transformer大模型对矩阵乘法的高需求，能随着算法规模扩大显著提升算力效率，被视为AI时代最具潜力的计算技术之一。

关键事实与论据：

• 技术原理（黑魔法）： 存算一体利用欧姆定律（电压×电导=电流）。在存储器阵列中，每个节点的电导值代表数据，行输入电压，列输出电流即为乘法结果；多路电流汇聚实现加法。这使得矩阵乘法只需开启一次即可完成，无需像传统架构那样逐行读取数据到外部运算器。
• 算力与能效提升： 存算一体的计算效率随存储器阵列规模线性增长。Transformer模型的矩阵计算量比传统深度学习大1000至1万倍，因此存算一体在Transformer场景下的计算效率也相应提升1000至1万倍。其存储与计算比为1:1，远优于GPU（通常64:1或更高），极大降低了数据搬运开销。
• 精度挑战与突破： 模拟计算的精度是最大难点。每个存储单元仅容纳1000-2000个电子，需实现线性256等分（8-bit）难度极大。知存科技团队花费7-8年时间，通过数百人协作，将Flash介质的计算精度从3-bit逐步提升至满足应用需求的水平。
• 介质选择： 坚持使用成熟且非易失性的Flash技术。虽然数据保持时间仅需1-10秒即可满足AI计算需求（无需像传统存储那样保持10年），但Flash在大规模并行开启时的电流特性及工艺成熟度具有优势，迭代速度快。

🏭 研发历程与工程挑战：从流片失败到量产落地

核心观点：

存算一体芯片的研发缺乏成熟的EDA工具支持，面临极高的试错成本和技术不确定性。通过建立严格的质量体系、分解问题以及利用AI辅助设计，团队逐步克服了“至暗时刻”，实现了从原型到量产的跨越。

关键事实与论据：

• 流片困境： 创业初期遭遇4年6次流片失败。由于缺乏EDA工具，芯片回片后往往隐藏几十个问题（如精度不达标），需花费3-6个月甚至更久进行Debug。早期测试周期长达6个月，现已压缩至2-3个月。
• 质量体系建设： 针对存算一体特有的模拟量波动和工艺敏感性问题，建立了五道测试流程（远超传统芯片的两道），涵盖设计、工艺、烧录及端到端测试，并结合客户反馈持续迭代。
• AI辅助研发： 引入AI自动构建设计流程和验证流程，预计一年内可实现较好的自动化EDA设计和工具链支持，以应对复杂的设计调试需求。
• 人才策略： 公司现有500多位研发人员，博士近100位。招聘看重“独立解决问题的能力”，鼓励新人负责大范围Scope的项目，前三年成长速度快。

🎧 应用场景与市场机会：端侧AI的降维打击

核心观点：

存算一体在端侧（Edge AI）具有独特优势，特别是在功耗、延迟和成本敏感的领域（如耳机、眼镜、机器人）。通过提供大容量、低功耗且高速的计算能力，它使得在终端设备上运行Transformer大模型成为可能，有望推动“世界模型”在端侧的统一。

关键事实与论据：

• 安克创新合作案例： 2023年与安克（Anker）合作开发耳机芯片。传统耳机芯片难以运行超过50万参数的模型，而知存科技基于28纳米NorFlash工艺，成功在耳机中部署了400-600万参数的Transformer模型。
• 性能突破： 该芯片实现了通话降噪的“人声还原度最高”吉尼斯世界纪录。相比传统方案，算力提升几十至一百倍，且无需外挂高带宽存储器，解决了功耗和成本瓶颈。
• 未来扩展性： 技术路线清晰，从4兆参数扩展到40兆、400兆乃至云端级别（类似NVIDIA Grace Hopper的SRAM容量）。随着阵列规模扩大，能效比每年可提升2-5倍，预计未来仍有百倍以上的性能提升空间。
• 通用性与生态： 长期来看，存算一体有望成为AI设备的标配“Universal Memory”，解决端侧多种算法协同工作的碎片化问题，实现单一芯片运行大模型、低延迟、低功耗的目标。

🚀 行业洞察与中国优势：无需EUV的黑魔法

核心观点：

中国虽然在先进制程（如EUV）上受限，但存算一体技术对工艺节点依赖较低，且高度依赖快速迭代的产业链整合能力，这正是中国的优势所在。

关键事实与论据：

• 工艺独立性： 目前主要使用28纳米成熟工艺，未来即使转向专用存储器或更先进工艺，提升空间巨大（预计制造端还有百倍提升潜力），且不依赖EUV光刻机。
• 产业链迭代速度： 中国在材料、设备、代工到应用端的反馈闭环极短，能快速迭代产品（如新能源汽车模式）。相比之下，海外虽然技术先进但迭代速度慢。这种快速响应能力是存算一体初创公司突围的关键优势。
• 创始人背景： 知存科技CEO王绍迪为北大微电子专业保送生，2016年博士毕业后因高校经费不足及业界认知滞后选择创业。他与安克CEO杨蒙同为北大学友，理念契合促进了合作。

结论：

存算一体并非万能通用计算方案，但在AI矩阵乘法场景下具有颠覆性优势。随着精度问题的逐步解决和生态工具的完善，它将在端侧AI率先爆发，并逐步向云端扩展。对于从业者而言，掌握底层物理原理、具备独立解决复杂工程问题的能力，将是进入这一高壁垒赛道的关键。