行业动态与竞争格局 - 三星电子与SK海力士罕见地在同一天发布财报，凸显了双方在人工智能存储芯片领域的激烈竞争 [2] - 存储器行业正经历超常盈利环境，DRAM和NAND闪存的供应缺口创历史新高，赋予制造商强大定价权，此状况预计将持续至明年 [2] - 人工智能服务器与数据中心对高性能存储器的需求激增，同时芯片制造商将重心转向先进存储器生产，导致传统芯片供应受限，推高了整个电子行业的存储器价格 [2] - 自9月初以来，三星股价飙升约130%，SK海力士股价上涨近两倍，反映出行业利润和估值的大幅提升 [2] - 花旗集团分析师预计，DRAM平均售价今年将上涨120%，NAND平均售价将上涨90% [11] 公司财务表现 - 彭博社调查的分析师预计，SK海力士12月季度营业利润将翻番，达到创纪录的16.6万亿韩元（约115亿美元），营收预计增长超过50%至31.1万亿韩元 [8] - 三星半导体部门12月季度的营业利润预计将达到10.85万亿韩元，其内存业务已从价格疲软和库存过剩中强劲复苏 [8] 技术竞争焦点：高带宽内存 - 行业竞争焦点在于三星力图超越SK海力士，在高带宽内存领域占据领先地位，HBM是人工智能加速器的关键组件 [4] - 三星目标是通过其下一代HBM4缩小与SK海力士的差距，该产品将集成到英伟达即将推出的旗舰级Rubin处理器中，并即将获得英伟达的认证 [4] - SK海力士在HBM3E领域保持领先地位，这是目前英伟达和主要云运营商使用的最先进版本 [8] - 两家公司在同一天发布财报，凸显了随着HBM4时代临近，它们之间的竞争关系 [11] 公司战略与市场地位 - 整体市场势头有助于三星巩固其行业领导者的地位，三星占据了全球50%的DRAM产能 [5] - SK海力士专注于保持HBM领域的领先地位，这得益于其多年来的投资，并帮助其在业内利润最高的细分市场实现了飞跃式发展 [11] - 与英伟达的合作使SK海力士从一家周期性落后的公司转型为人工智能供应链的战略支柱，使其市场地位与三星更加平等 [11] - 业内观点认为，如果没有最大内存供应商三星的支持，英伟达将难以实现其增长路线图 [5]

该公司周二在一份声明中表示，第一季度营收预计在43.2亿美元至46.8亿美元之间。该预期区间的中值高于此前44.2亿美元的平均预期。第一季度 每股收益预计最高可达1.48美元，高于此前1.26美元的预期。 公众号记得加星标⭐️，第一时间看推送不会错过。 德州仪器公司(Texas Instruments Inc.)股价在盘后交易中飙升，此前该公司发布了出人意料的强劲第一季度业绩预期，表明工业设备和车辆的需求 正在从低迷期中复苏。 财报发布后，德州仪器股价在盘后交易中上涨约8%。截至周二收盘，该公司股价今年已累计上涨13%，至196.63美元。 模拟芯片可以将现实世界的输入信号转换成电子信号，广泛应用于汽车、工厂设备以及其他各种产品中。因此，德州仪器的业绩在很大程度上反映 了经济的晴雨表，能够反映企业对未来销售的信心。 乐观的展望表明，客户已经消化了积压的库存，并开始恢复采购。德州仪器首席执行官哈维夫·伊兰（Haviv Ilan）表示，订单在第四季度有所改 善。伊兰掌管着全球最大的模拟芯片制造商。 伊兰表示，数据中心业务此前在公司营收中所占比例较小，但目前正迅速扩张，并开始对公司业务做出显著贡献。他预计这一趋势将 ...

文章核心观点 - Lightmatter公司发布了基于超大规模光子学技术的Guide光引擎，这是一项激光架构的突破性进展，旨在解决AI数据中心对高带宽密度和可扩展性的迫切需求，通过半导体级集成推动激光器制造从手工装配向代工厂模式转变，为下一代共封装光学和近封装光学部署提供可扩展的光源解决方案 [2][4][8] 当前技术瓶颈与挑战 - 当前共封装光学和近封装光学解决方案依赖外接式激光小型可插拔模块中的分立式磷化铟激光二极管，面临“功率墙”瓶颈：连接器端面和环氧树脂粘合组件易受热损伤，污染物在低至数百毫瓦功率下即可导致光纤损伤，限制了光功率扩展 [3][8] - 传统架构下，带宽翻倍需要外接式激光小型可插拔模块数量翻倍，导致成本、功耗和前面板空间相应增加，并降低系统级可靠性 [3] - 分立式激光器在密集波分复用中难以实现精确的波长间隔和控制，因为激光阵列必须保持精确波长并将漂移降至最低 [3] Guide VLSP光引擎的技术突破 - 采用超大规模光子学技术进行大规模光子集成，克服了功率扩展限制，初始阶段即可将光带宽密度提升8倍 [2] - 通过高度集成架构，大幅减少分立式激光模块所需元件数量，同时提供卓越的良率和现场可靠性 [4][8] - 建立了一条可从1个波长高效扩展到64个波长甚至更多的激光技术路线图，显著降低了组装复杂性 [4][8] 性能与密度优势 - 第一代Guide验证平台在紧凑的1RU机箱中实现了100 Tbps的交换机带宽，而传统外接式激光小型可插拔模块架构需要约18个模块并占用4RU的机架空间 [4][9] - 每个激光模块最高可提供51.2 Tbps带宽 [7] - 每根光纤最低光输出功率为100毫瓦 [7] - 通过多路复用产生16种波长，并实现高精度的闭环控制：波长栅格以精确的200 GHz偏移交错，精度为 +/- 20 GHz，光纤通道中光功率均匀性高达 0.1 dB [7] 行业意义与市场前景 - 该技术代表了光学互连供电方式的根本性转变，其光子集成水平提供了一种可扩展的光源，可在未来十年内实现超大规模共封装光学部署 [4][9] - 可扩展激光器是实现可扩展共封装光学的关键，满足为混合专家模型和世界模型构建的超大规模AI基础设施对半导体级集成的需求 [4][9] - 行业专家指出，传统可插拔光模块与分立式激光整合已无法满足AI网络快速成长的需求，此项创新抓住了足以与光引擎领域相媲美的巨大激光市场机遇 [4][9]

英特尔玻璃芯基板技术进展 - 公司在2026年1月的NEPCON Japan展会上展出了玻璃芯基板全尺寸原型机，尺寸为78mm x 77mm，标志着该技术从实验室阶段迈向实际应用[2] - 该原型机将英特尔的2.5D封装技术EMIB集成到玻璃基板上，旨在凭借突破物理限制的优势进军由英伟达和AMD主导的AI加速器市场[2] 采用玻璃基板的技术动因 - 转向玻璃基板是为了解决AI芯片尺寸增大带来的物理限制，如基板翘曲和布线密度过高[4] - 当前先进封装（如台积电CoWoS）使用的有机材料存在热胀冷缩导致的严重翘曲问题，尤其当芯片尺寸达到光罩尺寸两到三倍时[4] - 玻璃的热膨胀系数与硅接近，加热时尺寸不易变形，且其光滑表面允许制造比有机基板更精细的电路[4] 玻璃基板的关键工程规格 - 采用10-2-10堆叠结构：顶部和底部各10层重分布层，中间夹一个玻璃芯，共20层结构以应对AI芯片复杂的信号路由[6] - 玻璃芯厚度为800微米（0.8毫米），属于“厚芯”设计，确保机械强度和数据中心大型封装的刚性[7] - 实现了45微米的凸点间距，显著提高了芯片与基板之间的I/O密度，这是有机基板难以实现的[8] - 硅芯片安装面积约为1,716平方毫米（约为光罩尺寸的两倍），提供大面积高平整度以安装多个大型GPU芯片和HBM[9] 技术突破与生产可行性 - 公司明确表示已克服玻璃基板制造中的“SeWaRe”问题（即切割搬运产生的微裂纹和碎裂），表明通过材料科学或特殊工艺解决了脆性问题，确保了大规模生产的坚固性[9] - 此前因关键开发人员转投三星，外界曾猜测公司因良率问题冻结该计划，此次“无SeWaRe”的声明是对此的有力回应[9] 技术架构与竞争定位 - 公司的核心目标并非仅使用玻璃基板，而是将EMIB技术嵌入其中[9] - 该方法只在作为“平坦巨大基底”的玻璃基板的必要部分嵌入EMIB硅桥，旨在同时确保可扩展性和成本与性能的平衡[10] - 该架构使中介层没有尺寸限制（光罩限制），可创建物理上尽可能大的封装，同时提供昂贵硅互连（EMIB）与廉价高速玻璃通孔的混合方案[10] - 此架构将成为台积电下一代多芯片AI加速器CoWoS的有力竞争对手[10]

文章核心观点 - 人工智能算力需求正从追求“有没有”的粗放式增长，转向关注“好不好用、值不值这个价”的高质量发展阶段，这要求GPGPU必须经得起真实场景和长期运行的检验[1] - 天数智芯作为本土GPGPU厂商，通过公布四代芯片架构路线图、发布边端产品及强化全栈生态，旨在应对行业转变，目标是成为高质量算力解决方案提供商，助力中国AI迈向新阶段，并走出差异化发展道路[1][25] 行业趋势与挑战 - 大模型参数规模从百亿迈向万亿级，数据中心需求从单纯增加GPU数量升级为系统工程问题，需解决算力密度、供电散热、高速互连、低延迟网络及长期运行下的PUE、TCO和稳定性等挑战[3] - 过去十年算力野蛮增长导致效率困局，推理场景平均利用率不足20%，训练场景平均利用率仅40%出头，造成能效比失衡和算力资源严重浪费[3] - AI形态正从单次推理演进为以Agent为核心的持续运行体系，并进入物理世界，算力需求从集中式训练的峰值算力转向高频、多步、长时推理的持续负载，边端芯片需求重心从“算得动”转向“算得久、算得稳、算得省”[9] 天数智芯的战略定位与高质量算力理念 - 公司定位为解决方案提供商而非纯芯片公司，致力于帮客户解决实际问题[25] - 提出高质量算力需具备三大特征：高效率（为客户创造最优TCO，节省成本）、可预期（通过精准仿真模拟实现性能所见即所得）、可持续（支持现有及未来全新算法，聚焦通用算力确保长期价值）[4] - 坚持通用计算方向，坚信硬件不应限制算法进化，而应成为孵化新算法的坚实底座[16] - 不追求成为“第二个英伟达”，旨在走出自己的道路[25] 芯片架构路线图与技术突破 - 公布四代芯片架构路线图：2025年天数天枢架构在DeepSeek R3场景中性能超越英伟达Hopper 20%；2026年天数天璇架构对标Blackwell；2026年天数天玑架构超越Blackwell；2027年天数天权架构超越Rubin；2027年后转向突破性计算芯片架构设计[6] - 天数天枢架构引入多项核心技术创新：TPC BroadCast减少重复访存；Instruction Co-Exec实现多指令并行处理；Dynamic Warp Scheduling提升计算资源利用率[8] - 天数天枢架构能让AI芯片执行注意力机制计算时，算力实际有效利用效率达到90%及以上；天数天璇架构将新增ixFP4精度支持；后续架构将实现全场景AI与加速计算覆盖[8] - 通过kv cache量化+无损反量化技术，能使模型推理中的实际内存使用量降低50%以上，减少对高成本存储的依赖[23] 产品布局：云端、边端与全栈覆盖 - 计划未来3年推出“天垓”和“智铠”系列等多款芯片，目标实现每代产品每块钱token处理能力翻倍[9] - 发布“彤央”系列边端产品，作为AI与物理世界融合的媒介，包括四款产品：TY1000算力模组（便携部署）、TY1100算力模组（集成ARM CPU与自研GPU）、TY1100_NX算力终端（大显存高性价比）、TY1200算力终端（300TOPs极致性能，支持AIPC、具身智能）[10] - 彤央全系列标称算力为实测稠密算力，覆盖100T到300T范围，在计算机视觉、自然语言处理、DeepSeek 32B大模型等多场景实测中，TY1000性能全面优于英伟达AGX Orin[12] - 公司已形成覆盖云端训练（天垓系列）、推理（智铠系列）、边端场景（彤央系列）的全栈式算力布局，是国内头部GPU厂商中唯一实现云边端生态统一且全面兼容主流体系的企业[14] 软件生态与性能优势 - 提供自主开发的全栈软件开发工具包，包括驱动编译器、性能优化函数库、AI训练框架及推理引擎[14] - 通过SIMT架构在算子上实现极高硬件利用率；借助通算融合与流水线并行等策略，在DeepSeek R1等大模型场景下的吞吐量与首词延迟表现优于英伟达A800，展现深度软硬件协同优化能力[15] - 自研IX-SIMU全栈软件系统可实时适配存储市场价格变化，为客户提供最具性价比的硬件适配测算与组合选型[23] 商业化落地与市场表现 - 截至2025年底，已在互联网大模型研究、金融、医疗、交通等超过20个行业落地应用，与超1000家用户合作，陪伴300多家客户进入量产阶段[16] - 在科学探索领域适配320种通用计算模型，单集群可并行数千卡科研任务，稳定运行1000多天，已落地国内多家顶级学府[16] - 具体行业效益：互联网AI领域实现单机性能翻倍、Token成本减半、人力节省1/3；大模型适配达成95%算子复用；金融领域研报生成效率提升70%，量化分析响应速度提升30%；医疗领域结构化病历生成时间缩至30秒/份，肠胃镜病灶定位精度提升30%[18] - 公司营收在2022到2024年间实现68.8%复合增长率，截至2025年6月30日累计交付逾5.2万片通用GPU产品[18] - 彤央系列已落地具身智能（如格蓝若机器人）、工业智能（园区与产线自动化）、商业智能（瑞幸咖啡数千家门店）、交通智能（与“车路云一体化”20大头部试点城市合作）等领域[20]

公司概况与核心愿景 - 公司Ricursive Intelligence由前谷歌研究员安娜·戈尔迪和阿扎莉娅·米尔霍塞尼于2025年创立，旨在利用人工智能改进芯片设计 [1][3] - 公司核心愿景是建立“递归自我改进循环”，即由AI设计出更优秀的芯片，这些芯片再训练出更强大的AI，进而设计出性能更优的芯片，形成无限改进的闭环 [1][2][3] - 公司声称其技术能将芯片设计周期从目前的2-3年缩短到数周 [1][3] 融资历程与估值 - 2025年公司完成由红杉资本领投的种子轮融资，筹集3500万美元，估值达7.5亿美元 [1][3] - 2026年1月，公司在员工不足10人的情况下完成新一轮融资，筹集3.35亿美元（约23亿人民币），估值达到40亿美元（约280亿人民币） [1] - 最新一轮融资由Lightspeed Venture Partners领投，DST Global、NVentures（英伟达风投）、Felicis Ventures、49 Palms、Radical AI及红杉资本等参与投资 [2] 技术基础与产品 - 技术概念起源于谷歌2017年的AutoML，创始人此前在谷歌开发用于改进张量处理单元（TPU）设计的人工智能技术 [2] - 创始人开发了名为AlphaChip的软件，该软件已用于设计谷歌四代TPU及外部半导体公司的芯片布局 [3][9] - AlphaChip可以在不到6小时内设计出一些半导体元件，而传统尖端数据中心处理器的设计可能需要数年 [5] - 公司计划训练AI模型以加速AI加速器的开发，通过快速评估数万亿种可能的芯片布局组合来优化晶体管位置、连接和功耗等 [5] 市场机会与行业背景 - 定制芯片（如亚马逊、谷歌、苹果的芯片）可根据特定功能设计，更便宜、更节能、更小巧，但当前研发过程成本高昂、人工繁琐，需2-3年，后期微小设计错误可能导致高昂延误 [8] - 芯片设计已成为人工智能发展的重要瓶颈，公司方法旨在打破算法发展与硬件准备不匹配的僵局 [3] - 公司认为其技术若成功实现自动化，将能在几周甚至几天内帮助每家科技公司从零开始设计自己的芯片，从而引发定制硅芯片的大量涌现 [9] 竞争优势与行业动态 - 公司面临来自Synopsys Inc.和Cadence Design Systems Inc.等老牌芯片设计软件供应商的竞争，这些公司也提供AI功能以自动化芯片开发流程 [6] - AI芯片设计软件市场可能变得更加拥挤，例如OpenAI透露正利用其大型语言模型设计定制AI芯片，Anthropic的Cloud Claude也能自动执行某些电气工程任务 [6] - 由顶尖AI实验室前领导人创办的公司正吸引前所未有的关注和资金，Ricursive已收到超过50家风险投资公司的关注 [9] 发展规划与团队 - 公司将利用A轮融资所得资金招聘更多工程师和研究人员，并升级用于训练AI模型的基础设施 [5] - 公司团队包括五位研究人员和工程师，其中两位曾与创始人在谷歌合作开发AlphaChip软件 [9] - 投资者认为公司开创了AI芯片设计领域，目标是开拓新领域让更多人为专属应用场景设计新型芯片 [10]

存储芯片涨价趋势与驱动因素 - 存储芯片价格预计在2026年第一季度将上涨40%-50%，第二季度将上涨约20% [1] - 本轮存储涨价潮的核心驱动因素是人工智能和服务器容量带来的旺盛需求 [1][2] - 存储产品供应短缺与价格上涨同步出现，部分合同价格涨幅可达30% [3] AI基础设施投资与市场需求 - 到2030年，全球数据中心预计需要近7万亿美元的资本支出以满足计算需求，其中用于AI负载的数据中心需5.2万亿美元，传统IT应用需1.5万亿美元 [2] - 2025年上半年，中国AI基础设施服务市场同比增长122.4%，达到198.7亿元人民币 [2] - 超大规模数据中心对高带宽内存的巨大需求，迫使主要内存制造商将产能转向利润更高的企业级组件 [4] 半导体产能的结构性转移 - 当前缺货不仅是周期性短缺，更是全球硅晶圆产能可能永久性的战略性重新分配 [3] - 智能手机和PC的DRAM/NAND闪存生产曾是硅晶圆产能主要驱动力，如今格局已逆转 [4] - 分配给英伟达GPU的HBM堆叠的每一片晶圆，意味着中端智能手机或消费级笔记本电脑的组件缺少一片晶圆，这是一场零和博弈 [4] CPU及其他组件供应紧张 - 英特尔正在将代工产能从客户端芯片重新分配，以满足AI服务器中激增的至强处理器需求 [5] - AMD今年的服务器CPU几乎已经售罄，且平均售价有望上调10%至15% [6] - 在服务器芯片强劲需求推动下，AMD的服务器CPU业务今年至少有望增长50% [6] - 人工智能工作负载从训练扩展到推理、编排和网络等领域，导致对传统CPU的需求急剧上升 [6] 国产AI基础设施的定位与价值 - 国产CPU与整机服务器的价格上调已经开始出现，这一趋势具有必然性 [9] - 国产方案的优势不在于“不涨价”，而在于提供更可控的整体风险结构及更低的隐性成本 [9] - 国际供应链中，高性能CPU与核心器件的供应优先级高度集中于少数头部客户，产能紧张时交付不确定性会带来额外系统性成本 [10] - 国产CPU与服务器方案能够提供更具可预期性的供给保障，在产能安排、交付节奏和长期供货确定性上具备明显优势 [10] - 在芯片普涨、全球供应链波动加剧的背景下，国产AI基础设施是以更可控的成本结构，换取更稳定的供给与更低的系统性风险 [10]

公司概况与产品线 - 澜起科技是国际领先的数据处理及互连芯片设计公司，致力于为云计算和人工智能领域提供高性能、低功耗的芯片解决方案 [1] - 公司目前拥有互连类芯片和津逮®服务器平台两大产品线 [1] 新产品发布与技术细节 - 澜起科技于1月26日宣布，率先在国内推出基于PCIe 6.x/CXL 3.x标准的高性能有源电缆解决方案 [1] - 该AEC解决方案以自研的PCIe 6.x/CXL 3.x Retimer芯片为核心，旨在为大规模数据中心与高性能服务器平台提供高带宽、低延迟互连支持 [1] - 方案采用自研SerDes技术、创新的DSP架构和OSFP-XD高密度接口封装，可稳定支持PCIe 6.0 x16高速传输 [2] - 该方案具备完善的链路监控与诊断功能，能显著提升系统可维护性与部署效率 [2] - 方案提供多种规格，可灵活适配机箱内外、跨板卡、跨节点乃至机柜间等多样化场景 [2] 行业背景与市场需求 - 随着人工智能、云计算等技术快速发展，数据中心正向分布式多机架架构演进 [2] - PCIe链路作为连接CPU、xPU、网卡及高速存储的关键通道，正从机架服务器向超节点的部署跨越，需要借助AEC技术实现更远距离传输并保持信号完整性 [2] - 数据中心向多机架复杂架构演进，使稳定高效的系统级互连变得尤为关键 [3] 技术验证与未来规划 - 公司已携手国内领先的线缆厂商，完成了PCIe 6.x/CXL 3.x AEC方案的开发及系统验证 [3] - 该方案已顺利通过了与CPU、xPU、PCIe Switch、网卡等设备的互操作测试，满足数据中心超节点系统对PCIe互连的严苛要求 [3] - 公司展望未来，将持续深耕高速互连技术，积极开展PCIe 7.0 Retimer芯片及高速以太网PHY Retimer芯片等下一代产品的研发 [3] - 随着PCIe 7.0等下一代产品研发持续推进，国产高端互连技术正稳步迈向更广阔的舞台 [1]

公众号记得加星标⭐️，第一时间看推送不会错过。 随着传感器分辨率和读取速度的不断提升，传统的电子防抖技术面临着日益严峻的挑战。画面裁剪造 成的图像损伤越来越大，软件校正的痕迹也更容易被察觉，尤其是在高分辨率视频素材中。专用防抖 硬件通过在图像尚未完全恢复时进行防抖处理来解决这个问题。它还能减轻主图像处理器的计算负 担，因为主图像处理器需要处理越来越多的自动对焦、降噪和色彩信息。这种方法尤其适用于：动作 密集型拍摄、手持长焦拍摄、车载和机器人摄像机拍摄，以及对延迟零容忍的现场制作。这些场景恰 恰是电影制作人最先注意到防抖失效的地方。 索尼很少会主动宣传半导体技术，除非它想引起业界的关注。而这个案例研究恰恰表明了这一点。通 过积极展示一款新型图像稳定芯片，索尼预示着未来相机在处理运动画面方面将发生更深层次的变 革，而这远早于电影制作人在规格表上看到相关参数。 本次展示的核心是索尼半导体解决方案公司开发的专用图像稳定LSI芯片。与传统的电子防抖不同， 这款芯片的工作位置非常靠近图像传感器。它不是在图像处理完成后进行运动校正，而是在图像采集 过程中进行信号稳定。实时图像数据与来自六轴惯性测量单元的精确运动信息相结合， ...

文章核心观点 - 英特尔正通过多项前沿技术合作与内部技术储备，在AI驱动的存储新周期背景下，积极探索并布局重返高端DRAM市场的可能性，但其形式可能并非传统的独立制造，而是侧重于架构创新与系统整合[1][23][24][25] 存储巨头的浮沉：英特尔与DRAM的历史渊源 - 英特尔是全球DRAM行业的开创者，1970年推出的1103芯片是全球首款商业成功的DRAM产品，曾一度占据全球DRAM市场90%的份额[3][6] - 由于80年代日本厂商的激烈竞争导致成本劣势和巨额亏损，英特尔于1985年战略性退出DRAM业务，转向CPU领域[6] - 此后数十年，DRAM行业整合为三星、SK海力士、美光三大巨头垄断95%以上市场份额的寡头格局[7] 行业背景：AI驱动DRAM进入超级周期 - 生成式AI的爆发彻底改变了DRAM需求格局，AI工作负载推动数据中心HBM和DRAM需求爆炸式增长[7][9] - 据TrendForce集邦咨询预测，2026年一季度一般型DRAM合约价将季增55-60%，Server DRAM价格季增逾60%[9] - 市场研究显示，2025年DRAM行业营收将恢复至千亿美元级别，2029年有望达到1500亿美元，数据中心和汽车应用的复合年增长率分别高达25%和38%[9] AMT项目：与桑迪亚国家实验室的前沿技术合作 - 桑迪亚国家实验室与英特尔合作的“先进内存技术”（AMT）项目已进入产品化阶段，旨在解决国家关键任务中的内存带宽与延迟难题[1][11] - 项目中的下一代DRAM键合（NGDB）计划采用全新的内存组织与堆叠方法，旨在显著提升性能、降低功耗与成本[11] - 该技术打破了HBM与DDR DRAM之间的性能权衡，解决了“以容量换带宽”的痛点，使高带宽内存应用更广泛[11] - 英特尔已开发出新型堆叠方法和DRAM组织结构，原型产品完成了功能性验证，证实了大规模生产的可行性[13] Saimemory合资公司：低功耗存储的商业化路径 - 2024年末，英特尔与日本软银成立合资公司Saimemory，致力于开发替代HBM的堆叠式DRAM解决方案[15] - 其技术通过垂直堆叠DRAM芯片并结合英特尔的EMIB桥接技术，目标实现单芯片512GB容量、功耗降低40%-50%，量产成本仅为HBM的60%[15] - 该项目总投资预计达100亿日元（约合7000万美元），软银初期注资30亿日元成为最大股东，日本政府计划提供超50亿日元补贴[16] - 按照规划，Saimemory将在2027年前完成原型设计与量产评估，力争2030年前实现商业化，优先供应软银的AI数据中心[16] 技术储备：eDRAM领域的深厚积累 - 嵌入式DRAM（eDRAM）因低延迟、高带宽特性，被视为解决“内存墙”的有效手段之一，正重新成为行业焦点[19][20] - 相较于SRAM，eDRAM在相同芯片面积下容量可达SRAM的6倍左右；相较于传统DRAM，其延迟和功耗优势显著[20] - 英特尔早在十多年前的Haswell、Broadwell处理器时代就集成过128MB eDRAM作为L4缓存，在高性能计算领域（如Xeon Phi）也有应用[20][21] - 随着AI时代对极致性能的需求，英特尔在eDRAM领域的技术储备成为其重返高端存储赛道的关键筹码[21] 综合布局与未来展望 - 英特尔在存储领域采取多点布局策略：通过国家实验室合作保持前沿技术参与，借合资项目探索替代产品路径，同时内部保留eDRAM等集成化方案[23] - 在AI驱动的异构计算时代，英特尔可能凭借架构创新与系统整合能力，在存储领域重新定义自己的角色，而非与现有巨头在产能上正面对抗[24][25] - 未来的存储竞争将是架构、功耗、生态乃至地缘策略的复合博弈[25]