端侧AI芯片的内存计算架构落地：从模拟存内计算到数字存内计算的商业化抉择.docxVIP

PAGE2

端侧AI芯片的内存计算架构落地：从模拟存内计算到数字存内计算的商业化抉择

摘要

本报告聚焦半导体底层硬件领域中面向端侧AI推理的存内计算（CIM）芯片架构，深度剖析模拟与数字两条技术路线在商业化落地过程中的核心差异与路径选择。研究范围覆盖全球市场，时间跨度以2023年为基准，展望至2030年。

核心发现表明，端侧AI推理市场正以超过30%的年复合增长率扩张，对低功耗、低成本、高能效的算力需求极为迫切。存内计算作为突破传统冯·诺依曼瓶颈的关键技术，正从学术探索加速迈向产业应用。然而，模拟存内计算虽在能效与密度上具备理论极限优势，却受制于制造工艺偏差、热噪声与器件老化带来的精度天花板，当前仅能在8-bit以下精度场景实现有限商用。数字存内计算则凭借与成熟数字设计生态的兼容性、高精度与高鲁棒性，在制造良率与可靠性上占据显著优势，正率先在智能语音、可穿戴设备等对精度要求较高的端侧场景渗透。

报告预测，未来三年内，数字存内计算将主导端侧推理市场，渗透率有望达到15%；模拟路线则需等待先进工艺与片上校准技术的成熟，在2027年后于超低功耗图像识别等特定利基市场实现突破。最终建议产业资本优先布局数字存内计算生态，同时密切关注模拟路线在传感器内处理等新兴方向的颠覆性机会。

第一章行业概况与研究框架

1.1行业定义与分类

存内计算芯片是指通过在存储器内部或紧邻存储单元的位置嵌入