近日，AI大算力芯片公司亿铸科技宣布完成超10亿元新一轮融资；几乎同期，其首发自研指令集架构X-ISA®。一笔资本落地，一次底层定义，指向同一判断：AI竞争重心正从“堆训练算力”转向“释放推理有效算力”，新瓶颈不再是计算，而是数据搬运。
融资落地：存算一体赛道再添一笔
存算一体并非新名词，近期重获资本聚焦，直接背景是产业重心从训练转向云端推理。据SEMI数据，2026年推理算力在全球AI基础设施中的占比将首次超过70%。
推理瓶颈与训练不同。大模型自回归解码（Decode）阶段逐token生成结果，每生成一个token都要读取大量模型权重和累积的KV Cache：计算量不大，访存量却很大，制约有效算力的核心是芯片内部数据搬运带宽，即“内存墙”。集微网报道援引亿铸在WAIC 2026提出的“搬运代价定律”：数据搬运的功耗与延迟代价，可达计算本身的上百倍。传统做法是提带宽：HBM以先进封装把内存堆到计算近处，但带宽有物理上限，搬运能耗本身更高；存算一体则把计算放进存储阵列内部，从架构上消掉搬运成本。
资本风向标：路线向3D DRAM收敛
再者2025年12月英伟达以约200亿美元“收编”AI推理芯片公司Groq，且近期再传出计划投资d-Matrix，两家均以存算一体为核心架构。
技术路线同步收敛。成熟SRAM成本高、容量难做大；RRAM/ReRAM工艺与一致性尚未达到规模量产；3D DRAM将DRAM垂直堆叠，经垂直互连把多层存储阵列与逻辑计算层贴合，密度更高、稳定性更好。有媒体报道称Groq正评估下一代改用3D DRAM替代SRAM，d-Matrix在Hot Chips 2026披露下一代推理芯片Raptor采用“3DIMC”，把存内计算做到3D DRAM上。
两张牌：流片进展与自研X-ISA
芯片层面，据亿铸披露，基于3D DRAM的全数字通用存算一体AI芯片已完成流片，商用芯片测试基本达到设计指标；产品线覆盖算力卡、工作站、一体机到推理集群，配套自研YICA软件平台，兼容CUDA与PyTorch。亿铸称，相较主流云端GPU可实现数倍性能提升、约1/5功耗与约1/6成本，同等业务规模下推理综合TCO最高可降约88%，并支持1M超长上下文、混合精度、MoE稀疏计算与KV Cache池化。
软件层面，亿铸首发自研X-ISA®。传统x86、ARM乃至RISC-V向量扩展，都建立在冯·诺依曼“计算与存储分离”的假设上，靠load/store把数据搬进寄存器；架构变为存算一体并叠加3D DRAM、多芯粒后，硬件擅长“在数据所在之处按块就地完成张量计算”，传统ISA没有对应表达，硬套会把一次块运算拆成海量逐元素加载、计算、写回，优势在翻译层被消耗。
X-ISA有两个特点：原生支持存算一体；块级（Block/Tile）指令集，块级操作是一等公民，以“元线程”按块调度。亿铸对比三条替代路径：购买ARM商用IP受制授权与断供风险；RISC-V自定义扩展仍以标量/向量寄存器为中心，做深仍需自担工具链成本并致生态分叉；硬连线ASIC把模型“焊死”，无法软件升级、只能充当协处理器。生态上，其100%支持PyTorch、vLLM、SGLang，兼容Triton与CUDA Tile IR，实现上层无感迁移、底层独立发挥。
结语：随着AI大模型规模与计算需求持续增长，“内存墙”制约有效算力释放几乎成为一个时代命题。在此背景下，亿铸科技通过自研ISA，探索了一条更加适配通用存算一体、3D DRAM和多芯粒架构的数据处理与计算方式，让数据组织、数据搬运、计算调度与芯片硬件架构更紧密、更协同，从源头上减少数据流动的代价，提升处理器在真实AI负载下的性能与能效表现。
