新闻详情

新闻详情

首页 / 资讯中心 / 详情

亿铸科技公司简介:以3D DRAM通用存算一体,应对大模型算力与能耗之困

发布时间:2026/11/6 21:22:37来源:尧图网络
亿铸科技公司简介:以3D DRAM通用存算一体,应对大模型算力与能耗之困
亿铸科技公司简介要从它踩准的时代节点说起。作为国内首家基于3D DRAM通用存算一体架构的AI大算力芯片公司亿铸科技2022年正式开启规模化运营总部设于苏州并在上海、杭州、成都、长沙设有子公司团队规模近300人研发人员占比超过80%。在传统冯・诺依曼架构存储墙日益凸显、大模型产业正从参数竞赛转向场景落地的当下亿铸科技选择了一条以3D DRAM为存储介质、以全数字通用存算一体为核心的技术路线试图从架构层面回答AI算力如何更高效释放的问题。一、技术底座3D DRAM与全数字通用存算一体在亿铸科技的方案中3D DRAM是一个被反复强调的关键词。对于存算一体而言存储容量的大小直接决定芯片能承载任务的复杂程度。3D DRAM通过堆叠工艺在提升容量的同时显著拉高了存储带宽与数据吞吐能力大模型Token持续生成高度依赖高速数据传输大容量叠加高带宽直接关系到推理输出的效率。亿铸科技选择3D DRAM正是看中其在容量、稳定性与性价比上的综合表现为芯片突破MB级天花板、迈向GB乃至更高容量提供了物理基础。与存储介质同样重要的是计算方式。亿铸科技首创全数字通用存算一体架构放弃模拟计算的捷径回归数字电路的确定性从根本上消除了器件非理想性带来的精度损失为大模型推理所需的高精度计算提供保障。数字存算架构处理的是数字信号且大多基于传统存储器在数据存储的可靠性、容错能力与制造成本上也更具优势同时全数字化也更容易与通用计算单元做架构集成为后续与GPU等通用算力深度融合打下基础。二、架构创新通用存算一体与GPU的深度融合亿铸科技的技术路线可以概括为通用存算一体GPU。存算一体本质上是IP只能完成有限的特定计算如矩阵运算要成为真正可落地的产品必须与通用计算紧密结合。亿铸科技的产品定位是一个完整的通用算力平台而非一张简单的加速卡。具体到芯片架构亿铸科技采用通用存算双IP设计存算一体单元负责高效处理计算密集、参数固定的矩阵与线性运算计算时无需反复从外部内存加载数据通用SIMT单元则负责处理控制逻辑复杂、不规则的计算如激活函数、归一化、数据重排等以及通用的标量与逻辑运算。这一设计在获得存算一体极高能效的同时保留了GPU的编程模型与通用性为兼容CUDA等主流生态提供了硬件基础。这种异构协同的思路也回应了单一计算单元难以同时满足零搬运、全通用、高扩展三重要求的产业现实。三、核心优势经第三方验证的能效比表现对数据中心与云计算场景而言能效与成本是衡量算力底座价值的关键维度。亿铸科技的通用存算一体方案经第三方验证能效比可达传统方案的约10倍同时在实际测试中呈现出数倍性能提升、约1/5功耗、约1/6成本的综合表现。在大模型推理场景下同等业务规模的推理算力综合TCO最高可下降约88%有助于降低数据中心运营成本为AI规模化落地提供高性价比的算力底座。四、全栈产品矩阵与软件生态亿铸科技打造了从算力卡、工作站、一体机到推理集群的全栈产品矩阵覆盖云边端多场景可满足不同规模、不同应用场景的算力需求。软件层面自研YICA软件平台兼容主流生态支持算子一键生成与优化可显著降低开发适配门槛。方案同时适配Agentic AI时代的新算力需求支持超长上下文窗口、混合精度与MoE稀疏计算、集群级KV Cache池化等特性可支持大规模并行搜索与环境模拟助力智能体迭代演进。五、产业判断与生态布局在产业层面亿铸科技提出通用存算一体的三大定律——搬运代价定律、通用边界定律、异构终局定律作为技术路线选择的思考框架。其产品路线从第一代云端大算力芯片出发不断迭代并延伸至超节点、大端侧如智能机器人等场景生态路线上以AI云运营商为切入点同步覆盖大模型企业与垂直领域开发者。总体来看亿铸科技公司简介所描绘的是一家立足架构创新、以全数字3D DRAM通用存算一体为路径瞄准数据中心、云计算与大模型推理场景的AI算力芯片公司。随着存算一体写入国家十五五规划亿铸科技希望以自主可控的下一代算力底座为AI产业与千行百业的智能化升级提供一份可供参考的中国方案。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/6 6:37:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/6 0:32:51

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/6 1:10:54

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/6 17:25:36

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/6 14:29:05

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/6 14:29:07

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉