一句话结论：SK海力士将铁电材料引入3D NAND结构，推出3D FeNAND模拟存内计算方案，在相同芯片面积下实现较传统3D NAND阵列最高20倍吞吐量与最高5000倍能效提升，为低功耗边缘AI推理场景开辟新的技术路径。
从存储到计算：NAND的自我革命
传统计算架构遵循冯·诺依曼定律：数据必须在存储与计算单元之间反复迁移。随着大语言模型参数量级从十亿迈向万亿，权重数据体积呈指数膨胀——单次推理可能涉及数十GB的参数读取，而每次数据搬运都会消耗大量能量并引入延迟。这条「内存墙」已成为AI基础设施扩展的核心瓶颈。
存内计算（Compute-in-Memory，CiM）的思路是让存储阵列本身具备计算能力：在数据驻留的位置就地完成矩阵向量乘法等核心运算，从根本上消除数据迁移开销。SK海力士在这条路上迈出了重要一步——将铁电材料引入3D NAND堆叠工艺，提出3D FeNAND架构，将存储密度、能效与AI计算需求在同一种器件内融合。
铁电材料为何能改变游戏规则
传统3D NAND采用电荷俘获氮化物（Charge Trap Nitride，CTN）结构，通过在氮化物层中捕获或释放电子来控制存储单元的电流状态。这种结构在密度方面有优势，但精确控制模拟计算所需的多电流电平能力有限——而模拟域的乘积累加运算（MAC）恰恰需要精确区分多个电平来表达权重值。
3D FeNAND改用铁电材料的极化状态存储数据并控制电流。铁电材料的核心特性是：即使外部电场撤除，内部极化状态仍能保持稳定。通过改变极化方向即可存储数据并控制存储单元的电流状态。铁电特性使FeNAND在较低功耗下精确控制多个电流状态，相比传统3D CTN NAND更适合模拟域MAC运算。
然而，仅改变单元结构还不够。即使细胞能可靠区分不同电流水平，如果字线（word line）选择和控制引入的功耗过大，芯片整体性能仍会受限。同理，即使字线负担减轻，如果页面（page）利用方式与AI模型的数据规模和计算流程不对齐，也会产生不必要的切换和延迟。
三重协同优化：cell、interconnect与page
SK海力士团队的解决方案是对三个维度进行协同优化，共同将3D FeNAND的潜力转化为实际的A-CiM效率提升。
低电阻字线金属
使用低电阻率金属替代传统材料制作字线，直接减少电流通过时的IR压降。实测提升吞吐量最高16%，能效改善最高3%。
空气间隙降低寄生电容
在字线之间引入空气间隙（air gap）结构，将字线间寄生电容降低约60%。这一改动使吞吐量提升1.2倍，能效提升2倍。
字线电阻-电容联合优化
对字线的电阻与电容特性进行联合优化设计，吞吐量最高提升1.4倍，能效最高提升2.2倍。
页内流水线（In-Page Pipeline，IPP）
IPP允许在存储页面内实现计算与读取操作的流水线化，能效翻倍，吞吐量提升9倍，是单项优化中幅度最大的改进。
16KB页面拆分为4个4KB子页面
将传统16KB大页面拆分为四个4KB子页面，使每次读写粒度更匹配AI模型层间数据的规模，减少不必要的数据加载。实测能效提升1.2倍，吞吐量提升1.7倍。
实测数据：相同面积下的量级跨越
综合以上所有优化手段，3D FeNAND A-CiM在300mm晶圆尺度上实现了稳定的数据保持特性，并在每个存储单元内演示了四级（4-level）低电流区域操作。与传统3D NAND阵列相比，结果令人瞩目：
| 优化维度 | 吞吐量提升 | 能效提升 |
|---|---|---|
| 综合（全部优化叠加） | 10–20倍 | 4000–5000倍 |
| 低电阻字线金属 | 最高16% | 最高3% |
| 空气间隙（寄生电容-60%） | 1.2倍 | 2倍 |
| 字线电阻-电容联合优化 | 最高1.4倍 | 最高2.2倍 |
| 页内流水线（IPP） | 9倍 | 2倍（能效翻倍） |
| 16KB→4×4KB子页面拆分 | 1.7倍 | 1.2倍 |
需要说明的是，这一对比基准是「传统3D NAND阵列上的A-CiM实现」，而非与纯数字逻辑AI加速器的对比。4000-5000倍的能效数字反映的是铁电3D NAND相对于已广泛研究的2D非易失性存储器阵列的高密度优势，以及存内计算架构相对于传统数据迁移架构的固有优势。
竞争格局：三星、美光快步跟进
存内计算并非SK海力士一家独有的赛道。三星已推出基于ReRAM的存内计算方案，美光也在探索类似技术路径。SK海力士率先将铁电材料与3D NAND堆叠工艺结合，理论上可实现更高存储密度与计算融合。SK海力士表示，该技术面向对功耗敏感的边缘AI推理场景，兼顾一定算力密度与低功耗需求——这一定位使其与HBM针对数据中心训练场景形成互补。
展望：从学术论文到商用产品还有多远
SK海力士已在300mm晶圆上完成关键特性验证，展示了多级单元操作的稳定性和数据保持能力。但从IEEE IEDM论文到商业化量产，仍需解决制造工艺一致性、良率控制、成本定价等问题。SK海力士尚未给出该技术的量产时间表。
不过，这一研究路线揭示的方向已足够清晰：在AI算力需求爆发式增长、而晶体管微缩边际收益递减的背景下，「让存储本身成为计算单元」可能是突破内存墙的下一条主线。3D FeNAND A-CiM不仅是SK海力士存储器战略的重要里程碑，也是整个半导体行业在AI时代寻找新增长曲线的缩影。
常见问题
3D FeNAND和普通3D NAND有什么区别？
核心差异在于存储介质：传统3D NAND使用电荷俘获氮化物（CTN）结构存储数据，通过捕获/释放电子控制电流；3D FeNAND改用铁电材料的极化状态存储数据。铁电材料的优势在于即使断电也能保持极化方向（是非易失性的），且极化状态切换所需能量更低，更适合在模拟域精确控制多级电流，以表达AI权重数据。
为什么能效提升4000-5000倍这个数字如此惊人？
存内计算的根本优势是消除数据迁移开销。传统架构中每次AI推理都涉及海量权重数据从存储到计算单元的反复搬运，这部分能耗占推理总能耗的相当比例。A-CiM在存储阵列内部完成乘积累加运算，数据无需离开存储阵列，大幅减少搬运距离和次数。铁电材料的低功耗极化特性进一步放大了这一优势，使得能效提升达到四个数量级。
这项技术什么时候能用到？
SK海力士目前已完成300mm晶圆级别的原理验证，但尚未公布量产时间表。从研究论文到商业化通常需要数年时间，中间还涉及良率提升和工艺成熟度验证。该技术主要面向边缘AI推理场景，对能效比带宽更敏感，与HBM（数据中心训练）形成错位竞争。
延伸阅读
- IBM与西门子联手推进7埃米3D晶体管：密度翻番、功耗降七成，AI芯片的下一个十年2 天前
- 微软Maia 300深度：7倍吞吐、40%能效，2027多吉瓦部署4 天前
- 博通为OpenAI定制芯片项目融资超500亿美元：阿波罗黑石入局，甲骨文同步找钱1 周前
- 蔡崇信：AI将转向隐性基础设施，知识工作者TAM达50万亿美元1 周前
继续读
同一批更新里这几篇值得一看：
- 微软 MAI-Base-2：1/4 算力超越 GPT-5.6 Sol2026-10-16
- 英伟达 RTX 5090 美国全面下架：消费旗舰停产背后的 AI 算力争夺战2026-10-16
- 字节跳动洽谈联发科AI芯片：定制ASIC能否撑起中国算力一片天2026-10-15
想快速查定义？对应的词条在这里：
- AI Agent词条 · AI 自学笔记