通信世界网消息（CWW）随着人工智能大模型向万亿参数量级演进，传统芯片架构下“内存墙”引发的能耗与延迟问题日益凸显，成为制约AI产业规模化发展的瓶颈。存算一体芯片通过“数据原地计算”的架构创新，打破了存储与计算单元分离的传统模式，从根源上解决了数据搬运带来的效率损耗问题。本文结合半导体产业技术变革趋势，剖析存算一体架构的核心优势，探讨其与专用ASIC芯片、先进封装制造技术的协同创新逻辑，分析在绿色算力生态下的应用场景落地，并展望存算一体芯片与AI产业深度融合的发展前景，为行业技术创新与产业布局提供参考。
AI产业的算力困境：传统架构下的“内存墙”枷锁
凭借超万亿美元市值，英伟达稳居全球半导体行业头部位置。其GPU产品在AI训练与推理场景中展现出卓越性能，已成为当前算力时代的核心驱动力。但产业繁荣表象之下，半导体领域的技术变革已在悄然酝酿。
人工智能大模型参数量正从百亿规模向万亿级别持续突破。在此背景下，AI训练与推理阶段所需处理的数据规模呈现指数级增长态势。传统芯片普遍遵循存储与计算相互分离的设计逻辑，数据必须在内存单元与计算核心之间反复迁移，才能完成完整运算流程。值得注意的是，这种“数据跨模块迁移”的运作模式，在海量数据处理场景中暴露出明显短板。
当前，数据传输环节的能耗占比已超过芯片总功耗的六成，而传输过程中产生的延迟，使得GPU的峰值算力很难充分转化为实际应用场景中的有效算力。这一行业普遍现象被称为“内存墙”难题。即便是当前技术最先进的GPU产品，其实际算力利用率也难以突破五成，大量计算资源因数据传输瓶颈陷入闲置状态，这与AI产业对高效算力的迫切需求形成鲜明反差。行业专家分析认为，2026年或将成为半导体产业架构重塑的关键年份，存储性能对算力释放的约束作用将逐步超越计算单元本身，传统架构的固有局限已成为制约AI产业规模化发展的主要障碍。
存算一体架构：突破瓶颈的技术创新与实践
技术领域的瓶颈常常成为创新突破的契机，存算一体架构的出现，正是对“内存墙”难题的精准破解。与传统分离式架构不同，存算一体芯片借鉴人脑神经元存储与计算一体化的运作机制，将存储单元与计算单元进行深度整合，最终实现了数据在存储节点直接运算的重大创新。
在存算一体技术从学术研究逐步走向商业应用的过程中，近存计算和存内处理在产品实现阶段面临制造及封装技术门槛高的挑战；在落地阶段需要解决近端与远端处理器协同引起的软件重构问题，但总体技术成熟。存内计算技术成熟度较低，从器件研发与制造、电路设计、芯片架构、EDA工具链到软件算法生态等诸多方面均须加强，这对产业链各环节的密切协作提出了更高要求。
专用ASIC芯片：让存算一体真正用起来
存算一体架构很好地回答了“如何提升计算效率”这个问题，而专用ASIC芯片的发展，则进一步解决了产业中“如何更经济、更灵活地满足不同场景需求”的实际问题。
目前，生成式AI训练与推理算力需求激增，传统GPU在能效和成本上显露瓶颈。字节跳动“豆包”大模型日活用户超过2600万，日均Token消耗量环比增长超过10倍。以训练一个千亿参数大模型为例，使用GPU集群的电力成本高达2000万美元，而采用专用ASIC可降低60%以上，规模化部署可降低总拥有成本（TCO）40%以上。谷歌TPU v5在矩阵运算上的性能是同等功耗GPU的3~5倍，性能密度大幅提升；Meta MTIA芯片在推理任务上每瓦性能较GPU提升7倍，能效比显著改善。
ASIC是一种可根据企业特定场景需求进行量身定制的专用集成电路，与通用芯片相比，具有体积更小、功耗更低、可靠性更高、算力与能效更优等特点。近期，谷歌、亚马逊、Meta、微软、OpenAI等科技巨头纷纷加大ASIC开发投入，并利用ASIC技术推动算力进化，促进ASIC应用场景从云端推理向更多新兴领域拓展。在汽车高级驾驶辅助系统（ADAS）中，ASIC被集成到传感器模块上，用于实时处理激光雷达、摄像头所采集的数据，通过对不断变化的道路状况作出及时、准确的反应，实现更安全的驾驶体验。在工业制造业领域，ASIC可用于机械臂与自动装配线的运动控制环节，可实现精确的运动控制和实时决策，有效提升生产效率和产品质量。在医疗方面，ASIC被集成在心电图监视器等便携式诊断工具中，负责信号处理和数据传输，在保证检测结果快速准确的同时，通过降低功耗延长电池寿命。
产业创新的本质，往往是对现有格局的重构。ASIC芯片的兴起，正在打破GPU在通用计算领域的垄断，推动半导体行业从“一刀切”的通用芯片时代，走向“量体裁衣”的专用芯片时代。而存算一体技术，正是提升专用芯片能效的关键所在。
绿色算力生态：存算一体与AI产业的协同发展
全球能源危机的蔓延正在重塑半导体产业的发展格局。AI技术的广泛应用使数据中心成为新的“能耗大户”，当前数据中心的能耗已占据全球总能耗的3%以上，且仍在以每年10%以上的速度增长。在“双碳”目标成为全球共识的背景下，单纯追求峰值算力的发展模式已难以为继，算力竞赛的核心正在转向能源稳定性与能效比的较量上。存算一体芯片的低能耗优势与绿色算力生态的发展需求高度契合，通过“数据原地计算”的模式，大幅降低了数据搬运带来的能耗，能效比远超传统GPU架构，成为绿色算力生态的核心硬件支撑。
中国的“东数西算”工程为存算一体芯片的规模化应用提供了关键的基础设施支撑。该工程通过跨区域算力资源优化配置，将东部高算力需求业务迁移至西部绿色能源富集区，构建起以风电、光伏等可再生能源为核心的算力网络。西部丰富的绿色电力资源能够充分匹配存算一体架构的低能耗优势，形成“绿色电力与高效算力”的良性循环，为AI产业的可持续发展奠定基础。外部环境的变化正在彻底重塑半导体产业的价值链：芯片设计的核心目标从追求峰值算力转向优化能效比；制造工艺的竞争从7 nm、5 nm的“纳米军备竞赛”，转向异构集成、3D封装的技术创新；产业竞争的焦点从单一芯片的性能比拼，转向“芯片、能源与场景”的生态协同。在这一变革过程中，存算一体芯片凭借其在能效比与场景适配性上的显著优势，成为连接芯片技术、绿色能源与AI应用的关键枢纽。
结论与展望
存算一体芯片的崛起与ASIC芯片的市场爆发，并非对GPU的简单替代，而是半导体产业底层逻辑的重构。这场产业变革的本质，是从“以算为核心”转向“存算协同”，从“通用为王”转向“专用制胜”，从“算力至上”转向“能效优先”。技术领域的突破，往往始于对关键问题的重新审视，相比单纯解决问题的技术技巧，挖掘新问题、拓展新可能的创造性思维，才是推动产业进阶的核心动力。2026年半导体产业的格局洗牌，本质上正是对“内存墙”这一核心技术问题的创造性回应。
在这场变革中，GPU不会彻底退出市场，其应用场景将进一步聚焦通用计算与复杂模型训练；存算一体与ASIC芯片也并非完美无缺，其在通用性、灵活性上的短板仍需通过技术迭代不断弥补。但不可否认的是，半导体产业已站在新的历史起点，存算一体技术与AI产业的深度融合，正在推动算力形态、产业生态与竞争格局的全方位变革。
未来，随着存算一体架构的持续优化、先进制造技术的不断突破以及绿色算力生态的逐步完善，AI产业将摆脱算力瓶颈的制约，在智能驾驶、智慧城市、智能制造等领域实现规模化落地。对于行业参与者而言，需要把握“存算协同”“专用定制”“绿色低碳”的发展趋势，加强技术创新与生态协同，才能在这场产业变革中抢占先机，为AI产业的高质量发展注入持续动力。
本文刊载于《通信世界》2026年第6期
作者：中国电子技术标准化研究院 李铭轩 齐润楠 周俊
原标题：《存算一体芯片：AI产业突破算力瓶颈的核心路径与发展展望》
