当存算一体开始谈论"通用"

8月，苏州亿铸智能科技有限公司宣布完成新一轮融资，涌铧投资、中科英智、树院基金、大米创投、新微资本等机构联合参投。至此，这家成立六年的芯片公司累计融资额突破10亿元。

如果这只是一条普通的融资新闻，大概不值得多费笔墨。但就在一个月前的WAIC 2026上，亿铸科技联合创始人、总裁徐芳在一场产业链论坛上抛出了一套"通用存算一体三大定律"——搬运代价定律、通用边界定律、异构终局定律。一家尚在从POC走向工程样片阶段的初创公司，主动为整个行业提出一套判断框架，这件事本身比融资金额更值得审视。

| 一个被反复确认的瓶颈

先把问题说清楚。

大模型时代，AI芯片面临的核心矛盾不是算力不够，而是数据搬不动。在传统冯·诺依曼架构下，计算单元和存储单元物理分离，数据在两者之间来回搬运。亿铸科技在演讲中给出了一个被广泛引用的比例：数据传输与计算的耗时约为100:1，大量时间和能耗消耗在数据通道上，而非计算本身。这就是"存储墙"。

这个判断并不新鲜。从学术界到工业界，"存储墙"被讨论了至少十年。但大模型的爆发让它从一个学术问题变成了商业痛点——模型参数从百亿到万亿，KV Cache占用的显存越来越大，推理阶段的数据搬运量远超训练阶段。云端AI推理算力占比已从2022年的58.5%预计升至2026年的62.2%，推理正在成为算力消耗的主战场。

存算一体的解法显然是比较直接的。它让计算发生在存储单元内部或近旁，从架构层面减少数据搬运。国内已有多条路线在推进——后摩智能走SRAM数字存算路线，智驾芯片已量产上车；知存科技用NOR Flash做端侧存算，芯片累计出货超千万颗；昕原半导体在28nm ReRAM上实现了量产。亿铸科技选择的路径是：ReRAM介质＋全数字计算＋超异构架构，瞄准的是数据中心云端推理。

| "三大定律"真正想说什么

三大定律中，最有分量的是第二条：通用边界定律。

徐芳的表述是：专用计算单元的效率优势，往往会被通用计算的生态优势所抵消。她举了Google TPU的例子——TPU在AlphaGo场景下效率极高，但最终凭借更完善软件生态胜出的是CUDA架构的GPU。市场选择的通常不只是参数极致的硬件，更是开发成本可控、生态丰富的通用方案。

这段话的潜台词值得玩味。它实际上承认了存算一体赛道一个令人不安的可能性：如果你只做矩阵乘法加速，哪怕能效比再高，最终也不过是GPU的一个外设、一颗协处理器。在英伟达CUDA生态已经统治AI计算的当下，一块只能跑矩阵乘的加速卡，客户迁移成本高、生态护城河为零，很容易被GPU自身的迭代所吸收。

亿铸科技给出的答案是"通用存算一体"，需要同时满足三重属性：架构通用——IP化，不绑定单一存储介质，ReRAM、3D DRAM都可以承载；生态通用——兼容CUDA和PyTorch，上层应用无需重构；计算通用——存算阵列与通用计算模块深度融合，能独立承担完整AI任务，而非只做协处理器。

注意这里有一个容易被忽略的细节：亿铸最早以ReRAM存算一体立身，但在WAIC的演讲中，徐芳阐述的技术组合是"3D DRAM提供海量容量基础，存算一体消除架构性损耗，3D封装实现高带宽互联"。从ReRAM到"不绑定单一介质"，表面上看是路线的扩展，实质上是战略定位的升级——亿铸不想被定义为一家"ReRAM公司"，而想成为一家"存算一体架构公司"。在新型存储介质路线尚未收敛、标准远未统一的阶段，这种"架构保险"是务实的选择。

第一定律"搬运代价定律"和第三定律"异构终局定律"则构成了一套完整逻辑：既然数据搬运是万恶之源，就要最大程度消除它；但既然单一计算单元无法同时实现"零搬运、全通用、高扩展"，终局必然是存算阵列与通用计算单元的异构协同。

亿铸科技创始人、董事长兼CEO熊大鹏在后续采访中把话说得更直白：存算一体芯片会与GPU通用计算深度融合，传统GPGPU也会吸收存算一体的优点，"两三年内两者是协同关系"。这不是一个要"颠覆英伟达"的故事，而是一个"在英伟达生态旁边找到结构性位置"的故事。对于一家成立六年的初创公司而言，这种分寸感比喊口号更有价值。

| 四年走到哪里了？

框架说得再漂亮，最终要回到芯片本身。

亿铸科技2022年成立于上海，创始人熊大鹏拥有近30年中美芯片产业经验——本科西安电子科技大学，华南理工硕士，美国得州大学奥斯汀分校博士，后在美国ADC Telecommunications和AI芯片企业Wave Computing担任高管。CTO 有30余年GPU架构研发履历，历任高通多代GPU总负责人、华为海思GPGPU技术专家，手握90余项芯片专利。团队核心成员来自高通、华为海思、英伟达、AMD，累计完成20余款SoC芯片量产。

这套班子的硬件功底在国内存算一体初创公司中属于第一梯队。亿铸科技已入选国家级潜在独角兽企业，并获评"2025-2026年度第九届中国IC独角兽"称号。

从进展看，2023年亿铸成功点亮基于ReRAM的全数字存算一体POC验证芯片，采用28nm成熟工艺，在100W功耗下单卡算力突破P级（1000T），经测试验证，对比主流云端 GPU，亿铸通用存算方案可实现约2倍性能提升、约1/5功耗、约1/6成本的综合表现。在大模型推理场景下，同等业务规模的推理算力综合 TCO （总拥有成本）最高可下降约88%。

这些数字很亮眼，但需要放在正确的语境中理解：POC验证芯片证明的是技术可行性，不等于量产产品的实际表现；28nm工艺下的能效比优势，主要来自架构创新而非制程领先，这意味着随着工艺演进还有提升空间，但也意味着在绝对算力上与先进制程GPU存在天然差距；测试验证数据尚未经大规模客户部署检验。亿铸目前的产品仍以验证芯片、IP核、软件工具链和服务器板卡参考方案为主，正处于"从POC向工程样片、量产阶段过渡"的关键期。

这是芯片创业最艰难的一段路。流片成功只是入场券，良率爬坡、可靠性验证、客户适配、软件栈成熟——每一步都需要时间和资金。10亿累计融资听起来不少，但做一颗数据中心级大算力芯片，一次流片的成本就可能以千万计，再加上软件生态建设和团队扩张，这笔钱需要花在刀刃上。

| 生态才是真正的战场

亿铸科技在"通用"二字上反复做文章，方向是对的。但"兼容CUDA和PyTorch"说起来轻巧，做起来是另一回事。

海光信息之所以能在国产AI芯片中占据一席之地，核心优势就是CUDA兼容率超过95%，客户从英伟达生态迁移的成本极低。寒武纪走自研指令集路线，虽然推训一体通用性强，但软件生态的建设投入巨大。亿铸选择兼容路线，可以降低客户门槛，但也意味着要持续追赶英伟达的软件迭代——CUDA每年都在更新，兼容是一场永不停歇的追逐战。

熊大鹏透露的实现路径是在指令集层面对Triton和CUDA进行兼容。这是一个务实的切入点，但"兼容"和"等效"之间有本质区别：算子覆盖率、性能调优、边缘场景支持，都需要在真实客户环境中反复打磨。目前国内还没有任何一家存算一体公司在数据中心场景下完成大规模商业化交付，亿铸也不例外。

另一个值得关注的细节是，亿铸在产品规划中已经开始适配Agentic AI时代的新需求——支持1M超长上下文窗口、混合精度与MoE稀疏计算、集群级KV Cache池化。这些特性直接对应大模型推理的最新痛点，说明团队对应用侧的理解没有停留在"跑通ResNet"的阶段。但特性列表和实际性能表现之间，同样需要工程验证。

| 谁在押注，押的是什么

翻看亿铸六年的融资历程，投资方结构的变化本身就是一条暗线。

2021年天使轮，中科创星、联想之星、汇芯投资等早期硬科技基金入场，投的是团队和技术方向；2024年，沙特阿美旗下Prosperity7 Ventures参与战略融资，带来的不只是美元资金，还有中东市场的想象空间；2025年，兴湘资本、农银国际等国资背景机构进入，信号意义明确——国家级资本对存算一体国产替代路线的认可；2026年这一轮，涌铧投资、中科英智、新微资本等机构联合加注，覆盖了财务投资、产业资源和中科院体系背景。

这种"天使→美元→国资→多元资本"的递进，在硬科技创业公司中相当典型。它说明亿铸在不同阶段都获得了对应层级的资本信任，公司能否在未来两三年内实现规模化收入，将直接影响后续融资节奏。

| 结语

存算一体被写入国家"十五五"规划，与三维堆叠、光电融合并列为下一代集成电路前沿架构，产业方向已经明确。但方向明确和商业成功之间，隔着的是产品、生态和客户信任。

亿铸科技提出"三大定律"，本质上是在回答一个问题：存算一体如何从一个能效比漂亮的加速器，变成一个开发者愿意用、客户敢于部署的通用计算平台？它对TPU教训的引用、对CUDA生态的兼容策略、对异构终局的判断，都显示出思考的深度。

但思考的深度不能替代执行的硬度。从POC到工程样片，从工程样片到规模量产，从规模量产到客户数据中心里跑着真实业务——每一级台阶都要靠芯片自己说话。

六年磨一剑，亿铸站在了从实验室走向市场的临界点上。"通用存算一体"的故事能不能成立，不取决于定律写得是否漂亮，而取决于下一代芯片回片后的实测数据、取决于第一批客户部署后的TCO账单、取决于软件栈在真实模型上的兼容程度。

这些，比任何定律都更有说服力。