RRAM、MRAM、交换芯片，这届AI芯片创业都在赌什么

AI算力需求暴涨，但传统架构撞上了物理天花板。

存储墙、功耗墙、光罩限制——每一条都在说同一件事：靠传统路径很难再往上堆性能了。于是出现了三条不同的技术路线，三种不同的解决方案，对应的是对“AI算力的瓶颈到底在哪”这个问题的不同回答。

需要先说明一点：这三条路线并非互斥。从更长期来看，MRAM侧重高速高可靠场景（车规、工业），RRAM侧重成本和密度优势场景（IoT、消费级），二者更可能走向差异化共存，而非彼此替代。当前的趋势是异构集成与混合架构——SRAM+MRAM混合架构（MRAM存权重，SRAM做高速缓存）也是学术界和产业界正在探索的方向之一，核心目标是在L2及以上缓存层级发挥MRAM的密度和低漏电优势，同时规避其写入能耗偏高的短板。本文把它们拆开讨论，是为了看清每条路线的核心逻辑和边界，而不是暗示只能选一条。

路线一：RRAM，赌密度和成本

RRAM（忆阻器）的核心逻辑是：把计算和存储做到一起，减少数据搬运，降低功耗。

这条路赌的是密度够高、成本够低。如果能用存算一体架构替代传统架构，在推理场景下省电、省钱，就有人买单。

RRAM有两个核心短板：器件单元一致性天然存在偏差（可通过电路和算法补偿缓解）；写入延迟的变异性较大，导致有效吞吐量受限。

需要区分的是，部分RRAM技术（如OxRAM）的写入速度可达纳秒级，比传统Flash快得多，但cell-to-cell的写入延迟差异导致实际阵列的有效吞吐量受限，这才是存算一体工程化的真正瓶颈。

在存算一体方向上，RRAM是目前产业化进度最快的介质之一。国内昕原半导体是代表性玩家之一（2026年7月完成新一轮融资，红杉中国等机构参与；本届WAIC展出ReRAM存算一体AI加速产品），另有苹芯科技等团队也在推进。此外，学术界（如清华大学团队）正通过反向编程策略和原位偏移补偿等系统化方法，解决高并行模拟存算的精度损失问题，RRAM在图像识别等任务中的准确率已大幅提升。

（需要说明：市面上容易混淆，知存科技走的是NOR Flash存算一体路线，不属于RRAM赛道。）

RRAM赌的是：在AI推理这类计算密集但精度可通过算法补偿的场景里，存算一体的功耗优势能转化成明确的商业价值，而且这个市场足够大。

路线二：MRAM，赌可靠性和新范式

MRAM（磁性存储器）走的是另一条路。

它和RRAM同属新型存储介质，但底层物理机制不同。MRAM的耐久擦写次数可达10⁹次以上（以当前量产STT-MRAM为参照），单元一致性更好，读写速度更快。

但这些优势是有代价的： MRAM需要额外的磁性材料沉积和特殊工艺模块，制造流程复杂度高于RRAM。需要区分的是：

• 嵌入式MRAM（eMRAM）：成本已大幅下降，台积电在22nm节点已将其作为标准IP提供

• 独立式MRAM（standalone）：成本仍然偏高，市场空间有限

MRAM的当前主攻场景：车规、工业、航天等高可靠嵌入式存储。 车规级场景（如ADAS域控制器）需要频繁写入数据，传统Flash寿命不足；工业极端环境和太空算力对抗辐射、宽温域有刚需。

但这只是MRAM故事的一部分。

在AI方向，MRAM的概率计算特性也在被学术界和产业界探索——利用其随机翻转特性做随机数生成、玻尔兹曼机等。部分团队正在尝试构建基于MRAM的存内概率计算平台，原生适配大模型的不确定性推理，但商业化验证尚需时间。此外，SRAM+MRAM混合架构（MRAM存权重、SRAM做高速缓存）也在成为解决AI推理访存瓶颈的重要探索方向。

MRAM赌的是：在可靠性要求极高的场景里（车规、工业、航天），MRAM的耐久性和一致性优势能够覆盖其成本劣势；在AI方向，它的新计算范式有可能开辟更大的市场。

路线三：交换芯片，赌算力集群的互联需求

前两条路线都在赌存储，第三条路线赌的是互联。

AI训练集群需要几百甚至上千颗GPU协同工作。GPU之间的通信带宽和延迟，直接决定了整个集群的有效算力。

交换芯片就是用来解决这个问题的。但交换芯片的竞争，在2026年已经不只是单颗芯片的硬件参数比拼，而是系统级方案的竞争。

随着CPO（共封装光学）技术的推进，光引擎被直接封装进芯片基板，传统可插拔光模块面临生存危机，这正在重写游戏规则。 交换芯片的真正壁垒不仅在于硬件，还在于NOS（网络操作系统）生态和自研芯片能力的结合。

英伟达有私有的NVSwitch，不对外卖，且与CUDA生态深度绑定——这不是单纯的硬件壁垒，而是协议+软件栈+集群管理全链路的锁定效应。

博通有以太网交换方案，但延迟偏高，且主要面向通用数据中心。

这个赛道里还有一类特殊玩家——Astera Labs。它主打CXL/PCIe Retimer信号调理芯片，不属于交换芯片：交换芯片负责数据包路由转发，Retimer只做信号整形、延长传输距离，二者功能完全不同。这家企业市值突破百亿美元，也侧面印证AI高速互联硬件赛道具备巨大的市场空间。

国内玩家：数渡科技、楠菲微电子、国数集联等正在推进交换芯片产品；澜起科技同步布局Retimer与交换产品线。

交换芯片赌的是：算力集群会持续扩大，互联越来越成为瓶颈——谁能在延迟、带宽、成本、生态适配之间找到最优解，谁就能占一个位置。

三条路线，三种节奏

这三条路线的商业化节奏完全不同。

• 交换芯片：需求在当下，AI集群建设正在进行，订单可预期，这是短期就能兑现的赛道

• RRAM存算一体推理芯片：中短期（3-5年）有望在边缘、端侧场景小规模落地；云端大模型推理规模化替代，受制于良率、软件栈迁移成本，仍存在较大不确定性

• MRAM：需要拆开看——eMRAM在车规/工业嵌入式场景已有落地（台积电22nm eMRAM已量产），正在持续渗透；SOT-MRAM等新架构以及基于MRAM的AI概率计算新范式，仍处于5-10年的技术验证期

一条共性约束

三条路线都要持续和成熟方案竞争。Chiplet、3D封装、HBM、模型量化优化、传统以太网持续迭代，都会持续挤压新技术的渗透窗口。

技术性能达标只是入场券。能否跑出，最终取决于客户切换架构的综合成本。

谁会赢？

现在没人知道。但每条路线的关键验证节点是清晰的：

• 交换芯片：能否进入头部云厂商供应链

• RRAM存算一体：能否在端侧推理拿下头部客户订单

• MRAM车规/工业：能否持续扩大上车规模

• MRAM AI新范式：能否在5-10年内找到商业化路径

短期看交换芯片，中期看RRAM，长期看MRAM——但这只是基于当前产业状态的粗略判断，每条路线都可能因为某个突破而加速或延迟。

选哪条技术路线，本质上是对AI算力的瓶颈到底在哪的判断。

判断对了，路线就对了。判断错了，再努力也没用。

这届AI芯片创业，赌的不是技术，是对未来三到五年AI算力需求的判断。

对比

你更看好哪一条路线？欢迎留言交流。