2026全球闪存峰会圆满落幕
AI大模型持续向更大规模、更长上下文和更高并发演进，算力增长正在不断逼近存储与数据搬运能力的边界。当模型规模从千亿参数走向万亿级，序列长度从数K扩展至数M，传统存储体系面临容量、带宽、功耗与数据访问效率等多重挑战。尤其在AI推理场景中，KV Cache等数据规模快速增加，存储系统既要承载更大的数据量，也要满足高频访问需求。
在这一背景下，新型存储器正成为半导体产业持续探索的重要方向。8月26日，新型存储器技术与发展论坛在武汉光谷举行。论坛聚焦AI时代存储需求变化，围绕HBF、铪基铁电存储器、MRAM、RRAM、PCM等新型存储技术路线展开交流，来自产业界与高校的专家分别从存储介质、器件制造、三维集成、近存计算以及系统架构等层面，分享相关技术进展与产业化思考。
从现场交流来看，AI正在重新定义存储器的价值。过去，存储器的竞争更多集中在容量、速度、成本等指标，如今数据如何在不同存储层级之间流动，也成为影响计算效率的重要因素。面对持续增长的模型规模和数据访问需求，新型存储器的研发开始更多关注介质、器件、封装、架构与算法之间的协同关系。不同技术路线各有侧重，也在寻找与现有DRAM、NAND等存储产品形成互补的应用位置。
华为计算产品线朱晓明在《面向HBF的系统创新》主题报告中，重点讨论了AI模型规模扩大后带来的内存需求变化。当前模型规模已从千亿参数向万亿级发展，序列长度也由数K延伸至数M。在超节点场景中，模型参数可以通过不同方式分布到多张计算卡上，KV Cache逐渐成为内存需求的重要组成部分。仅靠增加HBM容量来承载这些数据，成本和供应压力都较为突出。
朱晓明介绍，HBF可以进入AI推理系统的内存层级，与HBM配合使用。对于适合大块访问、读多写少的数据，可以将部分数据卸载至HBF，从而释放HBM容量。
华为的整体策略是"负载+算法+芯片+介质"四层融合：负载层面：识别HBF适用的场景——读多写少或大块读写负载；算法层面：配合HBF介质特点做预取与小颗粒聚合；芯片层面：将HBF定位为内存设备而非I/O设备，与HBM统一编址；介质层面：根据场景定义规格，差异化设计
互联架构上，朱晓明明确倾向于并联方案，即HBF与HBM同时接入昇腾，而非将HBF挂于HBM之后。并联的优势在于HBM与HBF无必然耦合，供应链更友好，容量配比也更灵活。芯片层面实现统一编址，一部分空间用传统语义访问，另一部分持久化空间通过特殊指令支持微秒级时延访问。
无锡舜铭胡禺石围绕《新型铁电存储器及3D架构集成》展开分享。他指出，AI应用对存储器提出了多维度要求：Flash具备非易失性，但在带宽和速度方面存在局限；SRAM、DRAM拥有更快的读写能力，却无法长期保存数据。模型权重、KV等数据的规模扩大，也让存储密度成为需要重点考虑的指标。
围绕这些需求，团队选择铪基氧化物作为铁电材料体系，并探索与高密度结构、先进制程以及3D架构的兼容性。胡禺石介绍，铪基铁电材料具备较好的先进制程兼容性，也有进一步向高密度、多层堆叠方向发展的潜力。团队此前已完成相关产品的量产尝试，并继续推进材料、器件和结构方面的研究。
对于铁电存储器的产业化前景，胡禺石也给出了相对谨慎的判断。他表示，如果直接以取代DRAM为目标，新型铁电存储器目前在成本、速度、频率和使用寿命等方面仍存在差距。现阶段，铪基铁电存储器更值得关注的是特定应用场景，例如中等容量、低功耗以及需要一定数据保持能力的场景。2.5D、3D集成则为缩短数据传输距离、提升系统带宽提供了新的技术方向。
浙江驰拓科技有限公司王少少分享了SOT MRAM制造技术及相关进展。以《SOT MRAM制造技术进展》为题发表演讲。MRAM已经形成包括MRAM、STT-MRAM、SOT-MRAM在内的多条技术路线。其中，STT-MRAM的产业成熟度相对较高，浙江驰拓科技有限公司已于2021年实现STT-MRAM量产，并推出不同容量产品，部分产品正在进行汽车领域相关验证。
相比STT-MRAM，SOT-MRAM采用三端结构，将读写路径分离，在读写速度和耐久性方面具备优势。王少少介绍，这类器件与存算一体、类脑计算等方向具有较好的结合空间。不过，从器件制造角度看，SOT-MRAM仍面临多项工艺挑战。约1纳米厚的绝缘层容易产生侧壁短路，刻蚀控制、套刻精度以及材料组合也会影响器件性能、读写窗口和最终良率。
王少少表示，SOT-MRAM目前仍处于商业化早期，未来两三年内大规模应用的可能性相对有限，SOT-MRAM则需要等待制造工艺、良率、成本以及应用需求进一步成熟；STT-MRAM仍将沿着更大容量方向推进。对于MRAM产业来说，器件性能只是商业化的一部分，制造能力和实际应用场景同样决定技术能走多远。
浙江大学赵亮教授以《基于RRAM-逻辑三维堆叠的近存计算架构和芯片》为题，介绍了团队在RRAM三维堆叠与近存计算方面的研究。大模型推理需要频繁读取权重和中间数据，外部存储器访问产生的数据搬运开销，已经成为影响系统效率的重要因素。对于资源受限的边缘侧设备，降低数据搬运成本尤其重要。
赵亮教授介绍，团队将RRAM三维堆叠、近存计算、模型量化以及投机解码等技术结合起来，让数据更加靠近计算单元。通过三维堆叠，数据传输距离可以缩短至约100微米。团队提出并实现了RRAM-逻辑三维堆叠大模型近存计算加速芯片，带宽达到25.6GB/s，实现 DRAM 级带宽性能，读取功耗相比DRAM降低30至50倍。
在算法与硬件协同方面，团队还针对大模型量化设计了相应方案。相关设计相比全局旋转方案节省90%的硬件面积，并带来3.8至3.9倍的性能提升。在进一步的系统测试中，采用55nm逻辑工艺和55nm RRAM实现的芯片，RRAM容量为56M，单芯片功耗35mW；在相同吞吐率下，相关方案实现了显著的能效提升，系统级推理性能较基线设计提升4至7倍。
从项目团队对RRAM的研究过程中可以看到，存储器与计算单元之间的距离正在成为架构设计的重要变量。三维堆叠缩短物理距离，近存计算减少数据往返，量化和调度则从算法与系统层面降低数据处理成本。存储器由单纯承载数据，开始更多参与计算系统的整体优化。
华中科技大学集成电路学院汪宾浩发表题为《基于相变材料的新型存储器研究进展》的演讲，介绍了团队在PCM方向的研究。汪宾浩指出，AI推理正在放大传统“存储墙”问题。大模型上下文长度已经从8K、32K延伸到1M，高并发任务也让推理侧的数据访问压力增加。每生成一个Token都涉及数据读取，长上下文意味着更大的数据规模和更频繁的访问，传统存储体系需要寻找新的承载方式。
在汪宾浩看来，随机读写能力使PCM具备进入“温存储”层级的潜力。相比NAND在部分随机访问场景中的效率限制，PCM能够覆盖传统温、冷数据之间的一部分需求。团队将PCM定位于存储级内存（SCM）方向，并围绕成本、带宽和密度持续进行技术优化。相关研究目前主要分为三代：第一代聚焦结构、工艺和材料优化；第二代向高密度PCM发展；第三代探索自选通相变存储器。
在具体工艺研究中，团队通过碳膜阻隔降低相变材料氧化程度，相关方案使氧化程度降低60%；在六层堆叠的限制型相变存储器研究中，耐久性相比传统PCM提升100倍，漏电流降低10^6倍。第三代相变存储器方面，团队围绕存储窗口、擦写循环以及阈值稳定性等问题开展研究。汪宾浩介绍，自2022年首篇论文发布以来，相关方向已累计发表31篇IEDM论文，并联合头部企业开展12英寸工艺验证，部分关键指标实现了与国际相关研究成果的对标。
从论坛现场的技术讨论来看，HBF、铁电存储器、MRAM、RRAM和PCM所面对的问题并不相同。HBF关注的是AI推理场景下的容量扩展与分级存储；铁电存储器探索速度、非易失性、密度之间的平衡；MRAM强调高速、高耐久以及器件制造能力；RRAM将重点放在三维堆叠和近存计算；PCM则试图填补传统存储层级中的温数据空间。
这些探索共同指向一个变化：存储器的价值正在从单颗芯片的容量和速度，延伸至整个计算系统的数据流动效率。模型规模、数据类型、访问方式不同，对存储器的要求也不同。适合某一场景的技术，并不一定需要成为通用存储器，能够在特定层级解决实际问题，同样具有产业价值。
对于新型存储器而言，真正走向规模化应用仍需要跨过多道门槛。材料和器件性能需要通过制造工艺验证，先进封装需要控制成本和良率，芯片架构需要适配新的存储特性，算法和软件也需要完成相应调整。产业链上下游之间的协同程度，将直接影响技术从实验室走向产品的速度。
AI计算带来的存储需求变化，为新型存储器提供了新的产业窗口。未来的存储体系或许会更加多层化，不同介质承担不同的数据类型和访问任务，存储器也会更加深度地参与计算架构设计。对于正在寻找下一增长曲线的存储产业而言，真正值得关注的并非某一种技术路线何时全面替代现有产品，而是不同技术能否找到自己的位置，并最终形成面向AI计算的新型存储体系。
8月26日，由DOIT传媒、华中科技大学计算机科学与技术学院、华中科技大学集成电路学院联合主办的2026全球闪存峰会（Flash Memory World 2026）在中国武汉盛大召开。
大会以“存力跃迁，AI破局”为主题，主论坛汇聚中国工程院院士，华中科技大学、杭州电子科技大学等专家学者，以及Solidigm（思得）、华为、慧荣科技、天翼云、紫光闪芯、联想凌拓、浪潮信息、中科曙光、数合泰、得瑞领新等存储全产业链力量，共探AI时代存储技术与产业的新一轮变革。峰会下午同步开启了四大并行论坛，围绕AI SSD创新应用、面向AI的存储系统、CXL互联生态与弹性内存池、新型存储器技术四大方向展开深入探讨，现场还推出了《2026 AI存储芯图》和《2026 闪存风云榜》两大重磅内容，并揭晓了2026 闪存风云榜。
2026全球闪存峰会嘉宾阵容：
本文来源于DOIT传媒，文章内容仅供参考，不构成投资建议。
评论列表