| 核心观点 随着AI 算力需求的不断提升，冯·诺依曼架构的存算性能失配问题日益显现，存算一体化技术应运而生。近存计算通过2.5D 和3D 堆叠技术有效融合计算与存储，提升内存带宽并降低访问延迟，成为提升芯片性能的主流方案。HBM 和CUBE 方案作为代表，能够广泛应用于高性能计算和边缘设备中，随着AI 终端的普及和算力需求的加速，近存计算有望成为未来技术发展的关键趋势。 算力需求提升导致冯·诺依曼架构存算性能失配，近存计算将破局 冯氏架构以计算为中心，计算和存储分离，二者配合完成数据的存取与运算，在AI 时代随算力持续提升，存算之间性能失配问题凸显。近存计算利用先进的封装技术，将计算逻辑芯片和存储器封装到一起，通过减少内存和处理单元之间的路径，实现高I/O 密度，进而实现高内存带宽以及较低的访问开销。我们认为未来近存计算将成为AI 时代芯片性能提升的主流方案。 HBM 历经多次迭代，已成为高性能计算、数据中心主流近存计算架构 HBM 采用TSV 技术堆叠DRAM die 以大幅提升I/O 数，再配合2.5D 先进封装制程，在维持较低内存频率的同时达到更显著的总通道宽度提升，兼具高带宽、高容量、低功耗。自2016 年以来，HBM（高带宽内存）技术不断革新。HBM2 (2018)采用8层DRAM，提供256GB/s 带宽，2.4Gbps 传输速度，8GB 内存。HBM2E (2020):将传输速度提升至3.6Gbps，内存增加至16GB。 HBM3 (2022)将堆叠层数和管理通道增加，传输速度最高可达819GB/s，16GB 内存。HBM3E 将传输速度高达8Gbps，容量增至24GB。目前HBM 已广泛应用于高性能计算、数据中心等领域。 AI 终端持续落地，CUBE 方案有望大放异彩 CUBE 采用2.5D 或3D 封装，与主芯片SoC 集成，通过高达1024 个I/O 实现超高带宽，可广泛适用于适用于可穿戴设备、边缘服务器设备、监控设备及协作机器人等高级应用。CUBE 容量相对较小，适用于边缘端应用。以AI-ISP 为例，AI-ISP 中有很多灰色部分属于神经网络处理器（NPU），如果AI-ISP 要实现大算力，就需要很大的带宽，或者是SPRAM。但是在AI-ISP 上使用SPRAM 的成本非常高，使用LPDDR4 的话，因为需要4-8 颗，因此成本亦较高。使用CUBE 方案则可以缩小L3缓存，放大L4 缓存，在降低芯片成本的同时提高带宽。未来随AI 手机等AI 端侧设备以及机器人等新型AI 终端发展，CUBE 有望成为端侧AI 主流近存计算架构。 受益标的：北京君正、兆易创新、瑞芯微。 风险提示：下游需求不及预期，技术验证及迭代不及预期。 |
