一颗AI芯片，为什么需要两次“点亮”？

©️深响原创 · 作者｜何理

从概念到落地，端边AI芯片正在进入越来越多的真实产品。

过去，AI更多运行在云端；如今随着AI PC、机器人、家庭智能设备等产品不断增加，AI计算开始向终端和真实场景延伸。芯片也因此从云端算力的一部分，逐渐成为设备本身AI能力的底座。

这一变化在产业端趋势明显。后摩智能的后摩漫界®M50量产不到一年，已经获得150多个产品定点，服务客户超过百家，产品应用覆盖Agent Computer、智能移动终端、具身智能机器人、边缘推理等多个方向。

而这个进展的意义，远不止于一家芯片公司客户数量的增加。在很长一段时间里，AI芯片的竞争更多围绕技术指标展开：算力有多高、制程有多先进、性能有多强。但随着端边AI从技术概念逐步走向真实应用，单纯证明“技术可行”早已不够。更重要的是：技术能不能真正进入产品，并被越来越多的产品采用？

需求爆发下，端边AI商业化迎来机会窗口

端边AI落地的机会并非偶然。Agent爆发带来的新需求快速增长，叠加芯片与模型技术同步成熟，共同打开了这一轮端边AI的产业化窗口。

与以问答为主的AI应用相比，Agent需要持续理解任务、调用工具并处理数据，对实时响应、本地数据处理和持续计算提出了更高要求——家庭设备需要持续感知，机器人需要实时处理视觉、语音与动作，企业应用则可能涉及大量私有数据。若全部依赖云端，时延、隐私和持续推理成本都会成为制约。

越来越多AI任务开始向更靠近用户和数据的地方迁移，PC、手机、机器人、家庭设备以及工业、教育、运营商等场景都可能成为新的AI计算节点。比如AI PC已经开始放量，Gartner预计全球AI PC出货量将从2024年的3815万台增至2025年的7779万台，并在2026年达到1.43亿台。

更大的市场正在形成。弗若斯特沙利文数据显示，全球端侧AI市场规模预计将从2025年的3219亿元增长至2029年的1.22万亿元，复合年均增长率达到40%。后摩智能创始人兼CEO吴强曾判断：“未来90%的数据处理将在端边进行，10%的复杂任务交予云端。”

端边AI重点下游市场规模情况

但需求向端边迁移只是第一步。终端对功耗、成本、算力和存储都有严格约束，真正让端边AI具备产业化可能的，是端边AI芯片本身技术能力的快速提升。芯片制程、架构设计、存储技术以及模型量化、压缩等技术持续进步，让部分原本主要运行在数据中心的几十亿乃至百亿参数级模型，也开始具备在终端和边缘设备本地运行的条件。

与此同时，存算一体的技术路线也应对了数据搬运的难题。因为模型运行过程中，大量参数和中间数据需要不断在计算与存储之间移动，数据搬运本身开始成为性能、功耗和成本的桎梏。传统冯·诺伊曼架构下，计算单元和存储单元相对分离，模型越大、推理越频繁，需要搬运的数据就越多，带宽和能耗压力明显。

存算一体将部分计算能力与存储结合，减少数据在计算与存储单元之间的往返，从而改善能效和带宽利用率。对于端边AI而言，它的意义不只是“省电”，它让“在设备本地持续生产Token”这件事，具备了更现实的技术和经济基础，从而打破“高性能、低功耗、低成本”的不可能三角。

这或许也是存算一体开始获得产业广泛关注的原因。今年以来，包括小米在内的大量终端厂商都陆续入局存算一体。中商产业研究院数据显示，2025年中国存算一体AI芯片市场规模187.6亿元，同比增长42.3%，增速高于通用AI芯片赛道。

本周，2026大模型赋能智能终端创新实践大会暨后摩智能生态合作伙伴大会在北京举办，在大会上，后摩智能联合创始人、产品副总裁信晓旭提到：“存储从来没有像今天一样和站在芯片这个舞台的中央。”这句话背后其实对应着AI芯片产业的一次变化：大模型正在重新定义“算力”——TOPS、制程、计算单元依然重要，但对于端边AI而言，真正决定一颗芯片能否长期运行的，还包括存储、带宽、功耗以及这些指标之间的整体平衡。

从技术突破到商业落地，一颗AI芯片的两次“点亮”

需求增长、芯片能力提升和计算架构演进，让端边AI的讨论从“技术是否成立”转向“产品如何落地”。接下来，比拼的不只是芯片性能，还有产品导入效率和规模化复制能力。

技术突破：六年押注，后摩智能先发先至

端边AI芯片的发展逻辑很好理解，但真正把它做成可以进入终端产品的芯片，并不容易。

后摩智能已在这一领域深耕六年，持续沿着基于SRAM的存算一体路线迭代，从早期的技术研究一路推进到芯片量产。尤其是在几年前，产业界对存算一体的探索更多集中在小算力、超低功耗场景，而后摩选择了面向更大算力和大模型推理的路线。

2026年2月，后摩智能M50实现量产。其采用数字存算一体架构，典型功耗约10W，提供160 TOPS INT8算力，能够支持35B到122B级别的大模型本地运行。例如联想AI主机P7最高支持122B参数模型。基于M50的产品也开始进入Agent Computer、智能终端、陪伴机器人以及通信AI RAN边缘服务器等场景。

而这背后首先是后摩智能的长期技术积累。

从普林斯顿到AMD、Intel，再到Meta及地平线，后摩智能创始人兼CEO吴强的经历横跨学术研究、芯片架构、计算体系与产品落地。后摩核心研发团队成员也曾在ISSCC等顶级芯片会议发表多篇存算一体论文，并完成10余次SRAM-CIM芯片流片。从跨领域的技术积累到持续的流片与工程实践，这些经验为后摩将存算一体架构转化为实际产品提供了支撑。

其次，是根植于SRAM-CIM的双线技术布局。

SRAM-CIM 是后摩智能存算一体架构的核心，也是其技术竞争力的根基。它从计算架构层面缩短数据搬运路径，降低访存带来的效率损耗。根据后摩智能M50的架构对比数据，在AI Core层面，采用SRAM-CIM后，核心面积较传统实现下降约3/5，功耗降至原来的约1/5。

后摩智能还在持续围绕计算精度与效率进一步挖掘这一架构的潜力，并结合不同封装技术，形成 2D CIM和 3D CIM 两条互补的技术路线，以适应不同端边场景对算力、存储容量和带宽的差异化需求。

其中，2D CIM主要面向高算力及多元端边推理需求；3D CIM则主要面向更大带宽和更高的计算密度。对比来看，传统3D堆叠本质上是利用先进封装的创新解决访存问题，而3D CIM则是计算架构与先进封装的深度融合，它在堆叠的Logic die（逻辑裸片）中引入 SRAM-CIM 存算一体技术，让数据存储与计算更紧密地结合，从而进一步减少数据搬运带来的效率损耗。

两条路线并非替代关系，而是各有所长，这构成了后摩智能面向不同端边AI场景的技术宽度。

后摩智能联合创始人、产品副总裁信晓旭

其三则是完整的协同链路。

一颗芯片能够运行大模型，只是产品开发的起点。客户同样重视的是开发效率。模型不断变化，终端也高度碎片化，如果芯片厂商只能提供硬件，客户还需要自己解决模型迁移、算子适配、编译优化、性能调优以及整机开发，那么芯片本身的性能优势，未必能够真正转化成产品优势。

以联想AI主机P7为例，客户真正需要解决的并不是“把M50装进一台机器”这么简单，而是让芯片能够与整机硬件、操作系统以及本地大模型协同工作。M50提供底层AI计算能力，软件栈负责连接芯片与上层模型，针对具体模型进行适配和优化，再结合整机的功耗、内存、散热等条件完成最终部署。最终，P7才能够在约300g、整机最大功耗约30W的设备中实现最高1220亿参数大模型的本地部署。

这背后其实是一套完整的协同能力。围绕M50，后摩已经形成包括编译器、SDK、算子和模型适配在内的软件能力，并针对主流框架和大模型进行适配。因此，后摩提供给客户的已经不只是“一颗M50”，而是一套帮助客户把端边AI真正部署起来的软硬件能力。这恰恰是从“技术突破”走向“商业落地”的关键一步。

商业化落地：从一颗芯片到150+产品

具体观察后摩智能商业化的细节，150+产品定点的关键不只是客户数量，而是同一套端边AI能力能否跨越不同产品形态，并将一次落地形成的能力持续复用。

绿联HomeAgent试图把AI从云端带到家庭本地，将家庭数据、设备与AI能力连接起来；ClawHouse则更偏向全息交互的个人智算中心，两者都需要本地大模型推理和持续运行能力。星灵机器人则将AI带入物理世界，需要同时处理视觉、语音、环境感知和实时交互，对本地推理的实时性、持续运行和功耗提出更高要求。

后摩的产品也进入到AI PC、智能移动终端和边缘推理等场景。长城N90 Pro、紫光Unis L3831 G3等AI PC产品，已经将35B级大模型进一步下沉到本地，覆盖智能问答、AI会议、智能文档等应用。

从家庭AI中枢到AI PC，再到陪伴机器人，不同终端对AI的需求各不相同，但底层都指向同一个问题：如何在有限的功耗和硬件资源下，让大模型能够在终端持续运行。而后摩智能同一套端边AI计算能力是可以跨越不同产品形态，并被持续复用的。

ClawHouse X1 Pro、长城N90 Pro笔记本、绿联 HomeAgent HA100 Pro、联想AI Workmate 均搭载后摩智能M50芯片

这种规模化复用体现在三个层面：

第一，硬件复用。M50并非一个只能对应单一产品形态的芯片，而是可以进一步延伸出LM5010 M.2、LM5020 Duo M.2双芯互联、LM5010 eM.2小型化形态产品，以及LM5010与LM5040加速卡系列，覆盖不同终端和算力需求。

第二，软件和模型复用。围绕M50形成的编译器、SDK、算子和模型适配能力，可以继续服务于不同产品；对Qwen、Llama等主流模型的适配，也可以降低新产品重新进行模型部署的成本。

第三，工程经验复用。前一款产品积累下来的模型适配、功耗、散热和系统开发经验，都会沉淀到下一款产品中。

AI芯片的商业化，并不是简单地把芯片卖给客户。一颗AI芯片进入终端，通常需要经历芯片适配、模型迁移、软件开发、系统调试、整机验证，再到最终量产。如果每进入一个新客户、新产品，都需要重新投入大量研发和工程资源，那么客户数量增长的同时，成本也会同步增长。

当硬件、软件、模型和工程经验都可以被持续复用时，后摩的服务边界也不再局限于一颗芯片。

端边AI本身就是一个需要多方协作的产业链：芯片提供底层算力，操作系统负责软硬件连接，模型决定AI能力，终端厂商则把这些能力最终变成面向消费者和企业的产品。过去两年，后摩智能持续推进M50与主流CPU架构、操作系统及AI基础设施的适配和联合优化。此次大会上，后摩智能进一步宣布开放AI生态软件，将量产项目中积累的模型、推理框架、领域套件和中间件等能力向伙伴开放，支持二次开发，减少重复适配，加快产品落地。

后摩智能创始人、CEO吴强

这意味着，后摩正在做的不只是芯片本身，而是围绕端边AI连接产业生态。如果端边AI持续进入更多终端，芯片只是第一步。谁能成为连接算力、模型、OS和终端的关键一环，谁就有机会分享到整个产业增长。

结语

如果说端边AI的产业化正在打开一扇新的机会窗口，那么对于投资者而言，更值得关注的，是谁能够真正穿过技术验证和产品验证，成为这一轮产业趋势中的长期参与者。

从政策与产业环境角度来看，在“人工智能+”行动与信创产业升级的大背景下，AI 算力正成为数字经济的核心生产力。云端高昂的算力成本、巨大的电力缺口以及隐私安全隐患，使得国家战略和产业界普遍聚焦于端边AI的自主可控。后摩智能立足自主可控的存算一体架构，填补了国产低功耗、高算力端边AI芯片的空白，契合国家对于新型算力基础设施与高水平科技自立自强的政策导向。

这样的产业方向，也获得了资本市场的持续关注：从2020年天使轮开始，后摩智能先后完成多轮融资，投资方既包括中国移动产业链发展基金、北京市人工智能基金、北京市亦庄产业升级基金、中国国有企业混改基金等产业资本和国有资本，也包括红杉资本中国基金、启明创投、经纬创投、联想创投、弘毅创投、中兴通讯、商汤科技等市场化机构。

而从商业价值角度来看，今天的硬科技赛道够不够大、技术够不够好，越来越只是基本门槛。真正决定企业价值的，是技术能不能转化成可持续、可复制的商业价值。

后摩真正的想象空间，不只是成为一家端边AI芯片公司，而是借助一颗颗进入终端的芯片，把自身的软硬件能力、模型适配能力和客户生态逐步铺到更多设备上，成为端边“Token工厂”的算力底座。如果端边AI最终走向大量终端，那么每一台设备都可能成为一个新的AI计算节点。而后摩提供的正是当前与未来，AI产业所需要、也相对稀缺的关键能力。

从技术能力到真实产品，再到规模化应用，后摩正在经历的变化，也是整个端边AI产业正在经历的变化。从“能不能跑起来”，到“能不能进入产品”，再到“能不能规模化”，端边AI真正的产业化进程，终于拉开帷幕。