随着大语言模型、多模态模型与AI Agent持续发展，AI行业的话题重心正从"把模型做得更大"转向"怎样让AI跑得更划算"，亿铸科技存算一体芯片因在数据搬运、软件生态与异构协同上的系统布局，成为讨论新一代算力架构的代表样本。

一、算力瓶颈：从"算得快"到"数据供得上"

过去十多年，AI芯片发展一直围绕提升计算能力展开，但GPU越来越强，真正释放出来的有效算力却没有同步增长。图灵奖得主约翰·轩尼诗的观点为此提供了注脚——数据在存储与计算间搬运产生的能耗、延迟代价，可达单次计算本身的100倍，AI系统真正的性能瓶颈不在计算，而在数据搬运。如今大模型、多模态、Agent时代矩阵计算占比已高达90%—99%，数据搬运损耗成为新的性能瓶颈，算力系统的关注点正从"有效算力"延伸至"有效带宽"。

二、三大定律：读懂亿铸科技存算一体芯片的底层逻辑

围绕上述判断，亿铸科技提出"通用存算一体三大定律"，从数据搬运、软件生态、异构协同三个维度展开。

1. 搬运代价定律：数据在存储与计算单元之间频繁移动，由此带来的功耗与延迟开销正成为影响系统效率的关键因素。近存计算、3D封装等技术通过缩短物理距离缓解存储墙，而存算一体更进一步，让计算尽可能发生在数据所在位置，减少乃至消除数据搬运。存算一体并非对GPU、HBM等路线的否定——前者解决"如何让数据搬得更快"，后者解决"如何让数据尽量不用搬"，二者属不同层面的技术演进。

2. 通用边界定律：更换芯片不只是采购另一块硬件，还意味着重新适配编译器、优化算子、验证模型甚至培养团队，迁移成本往往远高于一项性能指标，因此新架构要真正落地，首先要解决兼容性问题。亿铸科技的软件体系覆盖CUDA兼容的底层指令集、兼容PyTorch的开发环境，以及编译器、运行时、算子优化工具等软件栈，以降低开发者的迁移门槛。

3. 异构终局定律：单一计算单元难以同时兼顾零搬运、全通用与高扩展等多重目标。海量矩阵计算可由存算模块承担，通用计算单元则承接逻辑调度与控制任务，通过统一指令集与架构设计协同运行，而非让一种架构包揽所有功能，这与AI产业从CPU+GPU到CPU+GPU+DPU、再到多芯片异构封装的方向一致。

三、3D DRAM：亿铸科技存算一体芯片的硬核支撑

在三大定律的框架下，3D DRAM是亿铸科技存算一体芯片最具辨识度的技术落点。产品定位上，该芯片面向大模型推理与新型AI应用，定位为通用算力基础设施，覆盖工作站、一体机、分布式集群等硬件形态，匹配数据中心、云计算及云、边、端场景的算力需求。

技术原理上，它将3D DRAM大容量堆叠与全数字通用存算一体架构结合，让计算尽量发生在数据所在位置，同时将自研存算IP与通用计算模块异构融合，在消除数据搬运损耗的同时保留完整通用计算能力。性能优势上，相较主流云端GPU，亿铸通用存算方案可实现数倍性能提升、约1/5功耗和约1/6成本，能效比具备约10倍优势（经第三方验证），大模型推理场景下同等业务规模推理算力综合TCO最高可下降约88%。

应用场景上，它可高效支撑长上下文、MoE、多智能体等前沿模型落地，面向Agentic AI时代支持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，以降低检索延迟、提升长程任务处理能力。当前进展上，该芯片已完成从理论架构到芯片硬件的全链路验证，并构建起覆盖云、边、端的全栈技术体系，持续推进规模化落地。

四、落地价值与生态协同

亿铸科技存算一体芯片的价值不止于单点性能。徐芳指出，3D DRAM的大容量优势若能与存算一体结合，有机会进一步突破大容量、高带宽瓶颈。围绕GP-IMC架构，亿铸科技还构建了自研ISA指令集、CUDA兼容编译器、算子自动优化工具、自研通信库及整机组网方案，让硬件、软件与集群协同工作。正如熊大鹏所言，进入后摩尔时代，AI算力架构需要从单一峰值指标走向真实业务场景下的有效算力、有效带宽与综合成本。

当数据搬运逐渐成为AI系统最大的成本来源，芯片设计的重点不再只是堆叠计算单元，而是重新组织数据与计算之间的关系。亿铸科技存算一体芯片以通用存算一体三大定律为框架，用3D DRAM与全数字方案回应了"如何让数据尽量不用搬""如何兼容成熟软件生态""如何实现异构协同"这些根本问题。存算一体能否像GPU一样成为下一代AI计算的基础设施，答案或许还需时间，但新一轮架构探索正在为更高效、更划算的AI算力开启更多可能。