电力供应已成为人工智能部署面临的基础设施约束。据 Lawrence Berkeley National Laboratory 统计，美国数据中心 2023 年耗电量达到 176 TWh，相当于全国用电量的 4.4%。随着人工智能服务器部署增加，即使资金充足，供电、冷却和电网并网也可能推迟新增容量。CIM 可通过减少内存与计算单元之间的数据传输，改善扩大推理部署的经济性，但实际收益取决于工作负载特征、精度目标以及周边系统开销。 [4]Lawrence Berkeley National Laboratory, In-Memory Computing and Energy-Efficient AI Hardware Research, eta-publications.lbl.gov.
我们预计，细分市场的领先地位仍将呈现分化：短期收入将集中于数据中心系统，而边缘侧的出货量增长速度更快。2025 年，数据中心与云端 AI 以 1.6225 亿美元的市场规模领先，因为高价值推理部署能够支撑专用硬件、软件集成和先进封装的成本。预计边缘 AI 将以约 39.71% 的年均复合增长率（CAGR）增长，并随着本地智能逐步覆盖车辆、工业设备和联网设备，构建更广泛的出货量基础。
与超大规模加速器的出货量相比，欧洲的机遇更多集中于经过认证的工业应用和受监管部署。《欧盟人工智能法案》的风险分级框架使可追溯性和验证对于用于高风险 AI 系统的硬件日益重要。欧洲审计院还指出了该地区半导体战略的执行风险，称既定的制造目标在实际落实过程中面临挑战。因此，欧洲存内计算的应用很可能有利于那些能够将技术性能与合规文件、汽车认证和本地集成能力相结合的供应商。
沙特阿拉伯、阿联酋、南非及其他中东和非洲地区面临不同的应用条件。海湾市场能够支持集中化、高价值的计算采购，而更广泛的非洲需求则更可能通过电信、公共数字服务和移动 AI 应用逐步形成。物流、本地系统集成、汇率风险以及具备部署技能的合作伙伴的可获得性，将影响专业化存内计算硬件从试点项目转化为运营基础设施的速度。
专业型挑战者正寻求更具针对性的机遇。d-Matrix 通过数字存内计算应对数据中心推理需求，并于 2025 年 11 月筹集 2.75 亿美元，以支持商业化扩张。EnCharge AI 面向客户端和嵌入式计算领域，专注于模拟存内技术。Mythic 将嵌入式闪存与模拟计算相结合，并于 2025 年 12 月宣布完成 1.25 亿美元融资。Rain AI 正在探索面向边缘部署的低功耗模拟神经形态方案。这些供应商可以受益于精准的产品市场匹配，但也必须克服与大型现有企业相同的产品认证、晶圆代工厂获取渠道和软件生态系统壁垒，而这些壁垒正是大型现有企业能够保持优势的原因。[8]Rain AI, Digital In-Memory Compute for AI Training and Inference, rain.ai. (rain.ai)
存内计算（CIM）芯片市场规模
全球存内计算（CIM）芯片市场规模在 2025 年达到 5 亿美元，预计 2026 年将达到 6.877 亿美元，到 2035 年将达到 128 亿美元；2026～2035 年期间的年均复合增长率（CAGR）约为 38.4%。
存内计算（CIM）芯片市场关键要点
市场领导者：Cerebras Systems 以超过 18.2% 的市场份额在 2025 年处于领先地位。
主要企业：该市场排名前五的企业包括 Cerebras Systems、Samsung Electronics、SK hynix、Intel、Groq，这些企业在 2025 年合计占据 53.2% 的市场份额。
CIM 将乘加运算部署在存储神经网络权重的存储器阵列附近或内部。与传统处理器—存储器架构相比，该架构旨在解决限制推理吞吐量和能效的数据搬运负担。
CIM 正从电路设计方案转向产品验证挑战。IBM 的 NorthPole 研究架构在 256-core设计中集成了 192 MB SRAM，展示了分布式片上存储器如何减少神经网络推理对片外权重搬运的依赖。对于云端推理集群、汽车和工业边缘系统以及受电池容量限制的嵌入式设备等推理工作负载足够稳定的应用场景而言，更低的单位运算能耗和更低的延迟足以影响系统采购决策，因此其商业机遇最为突出。 [1]IBM Research, Analog AI: In-Memory Computing for Energy-Efficient Deep Learning, research.ibm.com. (research.ibm.com)
该供应链涵盖先进存储器设计、逻辑工艺节点获取、混合信号或数字设计专业能力、编译器支持、封装以及系统集成。因此，CIM 的采用比用一张加速器卡替换另一张加速器卡更加复杂。存储器制造商可以将成熟的 DRAM、SRAM 或 Flash 路线调整为存内处理产品，而无晶圆厂厂商则必须确保晶圆代工产能，并证明其软件栈能够支持部署、模型转换、监控和生命周期管理。因此，将 CIM 阵列与标准接口以及成熟的服务器或边缘设备架构集成的能力，将比理论计算效率本身更能决定设计导入的转化。
GMI 分析师观点
我们对 CIM 芯片市场参与者开展的原始研究，包括半导体制造商、超大规模 AI 基础设施采购团队以及嵌入式 AI 边缘设备开发商，表明内存带宽仍然是扩大 AI 推理规模时尚未解决的核心制约因素。咨询过程发现，数据中心、边缘和嵌入式部署正在积极评估并采用 CIM 架构，已有 Cerebras CS-3、Groq LPU、Samsung HBM-PIM 和 SK hynix AiM 等有商业平台记录支持这一趋势。GMI 对 2025 年市场规模 5.00 亿美元的估值反映了这些商业部署和已确认的管线设计导入项目。
该投资逻辑并非基于全面替代 GPU 或 CPU。对于反复搬运大型权重集、能源供应限制吞吐量，或延迟和功耗范围排除传统加速器的场景，CIM 最具吸引力。IBM 在相近工艺节点上展示的 NorthPole 效率优势支持这一技术前提，但广泛的市场转化仍取决于软件可移植性、可靠性验证和集成经济性。因此，预计到 2035 年市场规模将扩大至 128.1 亿美元，这一预测假设供应商能够将以存储器为中心的效率转化为经过验证的合格产品，而不是仅依赖基准测试性能。 [2]Wiley, All-in-One Analog AI Hardware: On-Chip Training and Inference with Conductive-Metal-Oxide/HfOx ReRAM Devices, doi.org. (doi.org)
主要驱动因素
人工智能推理越来越受数据移动而非算术吞吐量的限制。在自回归大语言模型推理过程中，每生成一个令牌，都必须反复访问模型权重。因此，内存访问已成为决定延迟、加速器利用率和能耗的重要因素。某项集成 CIM 的 TPU 研究设计显示，与其引用的基准 TPUv4i 配置相比，生成式模型推理性能提升了 44.2%，矩阵乘法单元的能耗降低了 27.3 倍。这些结果具有商业意义，因为云运营商购买的是可用吞吐量和单位推理成本，而不是每秒峰值运算次数。 [3]Bowen, Patrick, et al., Analog, In-Memory Compute Architectures for Artificial Intelligence, arXiv, arxiv.org. (arxiv.org)
电力供应已成为人工智能部署面临的基础设施约束。据 Lawrence Berkeley National Laboratory 统计，美国数据中心 2023 年耗电量达到 176 TWh，相当于全国用电量的 4.4%。随着人工智能服务器部署增加，即使资金充足，供电、冷却和电网并网也可能推迟新增容量。CIM 可通过减少内存与计算单元之间的数据传输，改善扩大推理部署的经济性，但实际收益取决于工作负载特征、精度目标以及周边系统开销。 [4]Lawrence Berkeley National Laboratory, In-Memory Computing and Energy-Efficient AI Hardware Research, eta-publications.lbl.gov.
边缘部署将可服务市场拓展至超大规模基础设施之外。汽车感知、工业检测、摄像头、可穿戴设备和联网传感器都需要本地推理，因为云端往返会带来延迟、带宽、隐私或弹性方面的不足。基于闪存和 SRAM 的 CIM 尤为重要，因为这类技术能够在本地保留模型权重，同时减少片外存储器数据传输。Rain AI 于 2024 年 10 月开始交付低功耗模拟神经形态计算演示硬件，表明专用边缘 CIM 方案正逐步进入客户评估阶段。
传统架构面临的内存墙问题无法仅通过提高计算密度来解决。高带宽内存能够改善向 GPU 的数据供应，但无法消除在独立存储域与处理域之间移动数据所产生的能耗和延迟成本。CIM 通过在数据所在位置执行选定操作，改变了这种物理关系。该方法尤其适用于神经网络推理中的矩阵-向量和矩阵-矩阵运算，但并非同样适合所有模型算子或精度要求。
存储器技术的进步正在扩大商业上可行的存内计算（CIM）载体范围。Samsung 已报告称，针对与大语言模型（LLM）相关的工作负载，HBM-PIM、LPDDR5-PIM 以及基于 CXL 的近存处理配置均实现了吞吐量和能效提升。SK hynix 也分别展示了其面向人工智能工作负载的 AiM 方案。这些项目之所以重要，是因为标准化的存储器接口和经过验证的制造路径能够降低全新加速器架构面临的采用风险。与此同时，忆阻器型存内计算研究仍在持续展现其支持超低功耗边缘推理的潜力，同时也表明，在大规模部署前仍需开展校准和可靠性方面的工作。
主要制约因素
存内计算架构设计仍然是一个系统级工程问题。数字化实现必须在 SRAM 密度、精度、布线和供电之间取得平衡。模拟实现则增加了器件差异、热漂移、模数转换、校准以及面向模型的误差管理等问题。有关 SRAM 存内计算的综述强调，阵列架构和外围电路会实质性地影响准确性、密度和能效，因此单一宏单元设计无法在不同工艺节点或应用之间原样迁移。由此产生的验证负担提高了资本需求，并延长了从原型芯片到客户认证之间的时间。
缺乏广泛采用的接口和软件目标平台，构成了第二个阻碍因素。存储器制造商正在推进存内处理标准化，但存内计算市场涵盖 SRAM、DRAM、闪存、电阻式存储器、模拟、数字和混合型方案，而这些方案具有不同的编程和部署要求。客户因此面临可移植性风险：针对某一架构优化的模型，转用于另一架构时可能需要重新编译、重新量化或对算子进行实质性重新设计。这有利于那些能够将硬件与持续维护的编译器工具、模型库和集成支持结合起来的供应商。
模拟计算的准确性和耐久性限制了其近期应用场景。基于闪存和电阻式存储器的存内计算设计能够实现较具吸引力的密度和能效特性，但物理器件差异、保持效应以及累积的模拟误差，使高精度推理变得更加复杂。一项嵌入式 NAND 闪存存内计算研究指出，必须解决阈值电压变化和阵列级非理想因素，才能保持模型准确性。对于汽车、医疗保健和工业应用，即使模拟方案能够提供更低的名义单次运算能耗指标，其认证要求仍可能使产品决策转向数字或混合型架构。
政策要求也会影响商业化选择。美国《芯片与科学法案》的约束措施限制了涉及联邦激励措施接受者的某些交易，而出口管制则可能缩小高性能人工智能硬件可进入的终端市场范围。在欧洲，《欧盟人工智能法案》规定的基于风险的义务，提高了高风险应用对可追溯性和合格评定的重视程度。这些措施并不针对存内计算这一独立架构进行监管，但会影响供应商能够销售产品的地区、系统验证方式以及买方优先考虑的可靠性特征。
GMI 分析师观点
我们的分析表明，CIM 需求驱动因素相互强化，而主要制约因素则决定需求转化为可确认收入的速度。更大的模型会产生更多内存流量；更高的流量会同时推高延迟和功耗成本；这些成本进一步凸显了在存储权重附近执行计算的架构价值。因此，市场的增长路径与 AI 推理部署密切相关，而不是取决于单一技术基准。
近期的竞争分化将出现在能够实现可靠平台商业化的供应商与只能展示高效率宏单元的供应商之间。与 JEDEC 相关的存内处理工作、内存供应商的产品开发以及标准主机接口的应用，均可随着时间推移降低买方风险。互操作性和软件成熟度得到提升之前，采购将优先考虑能够证明性能确定性、提供集成支持并具备可信生命周期管理能力的实现方案。模拟 CIM 在受限边缘工作负载中仍保持强劲的长期地位，但其应用将按照验证进度逐步推进，而不会仅由能效决定。
存内计算（CIM）芯片市场细分分析
按内存技术类型
基于 SRAM 的 CIM 是规模最大的内存技术细分市场，2025 年市场规模为 2.0322 亿美元，预计到 2035 年将达到 54.1 亿美元，年均复合增长率（CAGR）约为 38.95%。该细分市场的领先地位反映了制造工艺的成熟度：SRAM 宏单元可采用成熟的 CMOS 工艺流程与逻辑电路集成，使设计人员能够在不依赖新兴非易失性内存特性的情况下，实现高带宽、低延迟推理。IBM 的 NorthPole 架构通过将分布式 SRAM 与高密度计算阵列相结合，减少对片外内存的依赖，展示了这一方法的战略价值。
SRAM 的缺点在于面积成本。与 DRAM 或 Flash 相比，六晶体管存储单元在每个存储位上占用的芯片面积要大得多，因此，在低延迟和可预测性能足以抵消更高芯片物料成本的场景中，SRAM-CIM 才最具经济吸引力。这使该细分市场与高端云端推理、网络、工业视觉以及高性能边缘系统相契合。该市场的领先地位并不意味着 SRAM 是通用的 CIM 基底，而是表明在市场商业化初期，成熟制造工艺和确定性行为仍具有特别重要的价值。
预计基于 Flash 的 CIM 将成为增长最快的内存技术类型，市场规模将从 2025 年的 1.6613 亿美元增至 2035 年的 46.7 亿美元，年均复合增长率约为 39.71%。其非易失性存储特性使神经网络权重在断电时仍可保留在芯片上，这对于需要立即进行本地推理的嵌入式设备而言十分有用。IEEE 关于在 Flash 内部或其附近执行计算的研究指出，3D NOR 和 3D NAND 方法在高带宽数字计算、搜索以及模拟乘累加运算中发挥着不同作用。
在设计人员必须同时管理能耗、内存容量和待机特性的场景中，Flash-CIM 的商业价值最为突出。这些场景包括传感器节点、摄像头、可穿戴设备以及部分汽车功能。不过，Flash-CIM 供应商必须证明其耐久性、阈值电压控制、推理精度和工具支持能够满足特定产品的要求。因此，快速增长的预测反映的是不断扩大的边缘需求和有利的单位比特成本结构，而不是工程权衡的消除。
基于 DRAM 的存内计算（CIM）市场规模在 2025 年约为 7,854 万美元，预计到 2035 年将达到 19.2 亿美元，年均复合增长率（CAGR）约为 37.76%。该细分市场主要采用内存内处理和近内存处理方案，在保留 DRAM 容量优势的同时，将计算能力配置在高带宽数据存储单元附近。Samsung 的 HBM-PIM 和 LPDDR5-PIM 工作，以及 SK hynix 的 AiM 开发，使 DRAM-CIM 主要应用于高吞吐量数据中心和以存储器为核心的人工智能应用领域，。[5]IBM Research, In-Memory Computing: Non-Von Neumann Architectures for AI, doi.org.
包括 RRAM、PCM、MRAM 和基于 FeFET 的 CIM 在内的其他衬底，市场规模在 2025 年约为 5,211 万美元，预计到 2035 年将达到 7.9439 亿美元。这些技术具有非易失性或模拟计算潜力，但仍受到良率、耐久性、数据保持能力和集成方面挑战的制约。其较低的约 31.21% 年均复合增长率反映出，在制造一致性和认证证据得到改善之前，这些技术的商业化路径可能仍将保持选择性。
按架构类型
数字存内计算是最大的架构细分市场，2025 年市场规模为 2.1753 亿美元，预计到 2035 年将达到 57.4 亿美元，年均复合增长率约为 38.81%。数字实现保留了离散计算特性，通常更适合需要确定性输出、成熟量化模型格式和更清晰验证路径的应用。这使其在云端推理和受监管的边缘应用中具有商业相关性；在这些应用中，可预测的行为可能比最高潜在效率优势更为重要。
d-Matrix 的 Corsair 平台体现了数字存内计算用于生成式人工智能推理的价值主张：该架构将处理单元嵌入存储器阵列，以减少数据移动，同时其商业定位侧重于数据中心部署，而非独立电路指标。数字设计仍需要专用编译器和面向存储器的执行模型，但能够降低与模拟变化相关的认证负担。
模拟存内计算是增长最快的架构类型，市场规模将从 2025 年的 1.5572 亿美元增长至 2035 年的 43.8 亿美元，年均复合增长率约为 39.70%。该技术利用电流、电荷或电导等物理属性执行计算，有望为中等精度推理带来更高的面积和能源效率。关于模拟 SRAM-CIM 加速器的研究展示了该架构在高能效方面的潜力，同时也表明其需要进行校准和系统级精度管理。
增长溢价反映出单位推理能耗对客户端设备和嵌入式系统的重要性。EnCharge AI 于 2025 年 2 月完成的融资轮支持模拟存内计算在客户端平台上的持续商业化。该细分市场的前景取决于供应商能否将实验室级性能转化为可重复的芯片运行表现、稳健的软件工作流程以及客户可接受的精度。
混合存内计算代表了实用的折中方案，2025 年市场规模为 1.2674 亿美元，预计到 2035 年将达到 26.9 亿美元，年均复合增长率约为 35.79%。通过将模拟计算模块与数字校正或控制电路相结合，混合设计能够保留部分效率优势，同时应对精度和可靠性问题。与纯模拟系统相比，其预测增长速度较慢，反映出额外的架构复杂性；但在完整模拟设计无法满足特定应用验证门槛的情况下，这种方案可能更具吸引力。
按应用领域
数据中心与云端人工智能是最大的应用细分市场，2025年市场规模为 1.6225亿美元，预计到2035年将达到 43.0亿美元，年均复合增长率（CAGR）约为 38.88%。该细分市场涵盖高价值系统，在这些系统中，能源使用、内存带宽和推理延迟会直接影响运营成本。Cerebras 的 CS-3 采用 WSE-3 晶圆级引擎构建，是一种旨在为人工智能工作负载集中提供计算能力和片上内存的系统示例。云端部署的规模和利用率能够使效率提升在大规模服务集群中不断累积。
Groq 基于 LPU 的推理产品代表了另一种商业路径：确定性推理硬件可以通过云端 API 访问实现商业变现，而不只是依靠直接硬件销售。这些商业模式使买方评估重点转向每美元可处理的令牌数量、可用容量、延迟和服务可靠性。面向该细分市场的存算一体（CIM）供应商需要具备的不仅是芯片性能，还包括软件集成、客户支持、数据中心部署专业能力以及可靠的规模化发展路径。
边缘人工智能是增长最快的应用细分市场，市场规模将从2025年的 1.2149亿美元扩大至2035年的 34.2亿美元，年均复合增长率（CAGR）约为 39.71%。边缘部署更适合能够减少内存流量的架构，因为功耗、电池容量、热设计和响应时间之间存在紧密联系。汽车感知、工业视觉和智能摄像头应用可能创造特别具有吸引力的机遇，但前提是解决方案能够满足安全性、可靠性和长期使用要求。
物联网与嵌入式应用在2025年的市场规模为 8854万美元，预计到2035年将达到 21.7亿美元。低功耗本地推理和非易失性权重存储有利于采用基于闪存和新兴存储器的存算一体解决方案，但与数据中心相比，该领域的单位经济性对规模更为敏感。相较于微控制器、神经网络处理器（NPU）或云端辅助架构，供应商必须证明其解决方案带来的能源效益足以抵消额外成本和集成工作量。
高性能计算与工业自动化在2025年的市场规模为 7231万美元，预计到2035年将达到 16.9亿美元。该细分市场的买方重视确定性响应、正常运行时间、与现有控制系统的集成以及长期可用性。其他应用包括政府、国防、智慧城市和早期医疗影像部署，2025年的市场规模为 5541万美元，预计到2035年将达到 12.1亿美元。这些应用可以支持早期资格认证项目，但通常需要更长的采购周期和严格的验证。
按最终用户行业
信息技术与电信是2025年的主要最终用户行业，涵盖云运营商、企业人工智能基础设施和电信网络工作负载。随着运营商能够在生产规模下验证更低的能源使用量和更高的有效内存带宽，该行业有望采用存算一体技术。
汽车行业具有重要战略意义，因为高级驾驶辅助系统（ADAS）和车载人工智能需要在固定的热条件和功率条件下进行本地处理。该细分市场将倾向于采用能够满足功能安全和可靠性要求的架构，因此数字存算一体和混合型存算一体技术在早期部署阶段尤为重要。消费电子为低功耗模拟存算一体和闪存存算一体系统提供了规模化潜力，而医疗行业的采用将取决于设备验证、可追溯性和患者数据处理要求。工业用户优先考虑确定性运行和长期生命周期支持，这可能会减缓采用速度，但也将为能够跨越资格认证障碍的供应商创造持久机遇。
GMI 分析师观点
我们预计，细分市场的领先地位仍将呈现分化：短期收入将集中于数据中心系统，而边缘侧的出货量增长速度更快。2025 年，数据中心与云端 AI 以 1.6225 亿美元的市场规模领先，因为高价值推理部署能够支撑专用硬件、软件集成和先进封装的成本。预计边缘 AI 将以约 39.71% 的年均复合增长率（CAGR）增长，并随着本地智能逐步覆盖车辆、工业设备和联网设备，构建更广泛的出货量基础。
技术组合也呈现出相同的双速增长格局。SRAM 和数字存内计算（CIM）处于领先地位，因为它们能够降低对性能敏感型部署的认证和软件风险。闪存和模拟存内计算（CIM）的增长速度更快，因为非易失性存储以及更低的单次推理能耗，更适合间歇性供电和受热约束的设备。将这些架构定位为相互替代方案的供应商将无法把握商业现实：更具持续性的机遇在于，根据每类部署在精度、功耗、使用寿命和集成方面的约束，匹配衬底与架构选择。
存内计算（CIM）芯片市场区域分析
北美
2025 年，北美市场规模为 1.5708 亿美元，预计到 2035 年将达到 38.4 亿美元，年均复合增长率约为 37.76%。美国依托超大规模 AI 基础设施、先进芯片设计活动以及 Cerebras、Groq、d-Matrix、EnCharge AI、Mythic、Lightmatter、IBM 和 Micron 等存内计算相关企业的集中布局，支撑区域需求。加拿大则通过工程技术和 AI 硬件活动作出贡献，其中包括总部位于多伦多的 Untether AI 以及 d-Matrix 在当地的业务。
美国政策强化了区域设计与制造生态系统。《CHIPS 与科学法案》批准了大规模半导体激励措施及相关监管约束，对国内供应链决策和商业合作关系产生影响。北美供应商受益于成熟的云服务和企业级买方，但出口管制和客户集中度可能限制其全球规模。该地区的成功将取决于能否将技术差异化优势转化为足够的软件支持和运营可靠性所支撑的量产部署。 [6]The Conference Board, Artificial Intelligence Computing Infrastructure and Energy Demand, conference-board.org.
欧洲
2025 年，欧洲市场规模为 8,778 万美元，预计到 2035 年将达到 19.2 亿美元，年均复合增长率约为 36.24%。德国、英国、法国、西班牙、意大利、俄罗斯和其他欧洲地区通过汽车、工业、科研及企业级 AI 需求作出贡献。《欧洲芯片法案》于 2023 年 9 月生效，建立了旨在增强半导体产能和韧性的框架。
与超大规模加速器的出货量相比，欧洲的机遇更多集中于经过认证的工业应用和受监管部署。《欧盟人工智能法案》的风险分级框架使可追溯性和验证对于用于高风险 AI 系统的硬件日益重要。欧洲审计院还指出了该地区半导体战略的执行风险，称既定的制造目标在实际落实过程中面临挑战。因此，欧洲存内计算的应用很可能有利于那些能够将技术性能与合规文件、汽车认证和本地集成能力相结合的供应商。
SoftBank 于 2024 年 7 月收购 Graphcore，体现了独立的欧洲 AI 处理器供应商在根深蒂固的 GPU 生态系统面前实现规模化发展的难度。Graphcore 采用的 IPU 架构将大容量片上存储器与计算紧密耦合，这一方案仍符合更广泛的以内存为中心的计算发展方向，但该交易表明，仅凭架构质量并不足以实现商业规模化。
亚太地区
亚太地区既是规模最大的区域市场，也是增长最快的区域市场，市场规模将从 2025 年的 2.019 亿美元增长至 2035 年的 60.2 亿美元，年均复合增长率（CAGR）约为 40.52%。该地区的市场地位建立在存储器制造、半导体投资、国内 AI 需求和区域设计人才高度集中的基础之上。中国、印度、日本、韩国、澳大利亚及亚太其他地区在制造、存储器技术、嵌入式电子产品、主权 AI 基础设施和汽车需求等方面贡献了不同能力。
韩国通过 Samsung 和 SK hynix，为该地区提供了最强的商业化存内计算（CIM）基础。两家公司将存内处理项目与成熟的 DRAM、HBM 和移动存储器生态系统相连接。中国拥有庞大的国内研究和专利基础，同时获得国家支持的半导体投资。涉及杭州智存科技（又称 WitMem）的专利活动表明，多芯片存内处理配置仍在持续发展。[7]ServeTheHome, In-Memory Computing and Emerging AI Accelerator Technologies, servethehome.com.
日本正在加强对先进半导体和 AI 技术的支持。日本经济产业省于 2025 年 2 月推进了相关立法措施，以支持半导体和 AI 相关技术投资。印度的 IndiaAI Mission 及半导体政策举措，扩大了该地区在主权 AI、移动设备、汽车电子和本地芯片设计方面的潜在需求基础。区域增长将受到出口管制风险、先进制程节点和 HBM 的获取情况，以及本地供应商整合硬件与可行软件生态系统的能力影响。
拉丁美洲
2025 年，拉丁美洲市场规模为 2,593 万美元，预计到 2035 年将达到 4.6126 亿美元，年均复合增长率约为 33.44%。巴西凭借数字经济、云计算扩张和公共部门技术举措引领区域需求。墨西哥的电子制造基础以及毗邻北美汽车供应链的地理优势，为边缘侧和嵌入式存内计算应用创造了规模较小但具有现实意义的机遇。
该地区的增长特征受成本敏感性以及近期低于北美或亚太地区的 AI 基础设施建设强度影响。买方可能优先考虑总拥有成本、本地支持以及与混合云边缘系统的集成能力。因此，相较于需要大量生态系统投资的高端架构，具备明确功耗、延迟或设备成本优势的解决方案更有利。
中东和非洲
2025 年，中东和非洲市场规模为 2,732 万美元，预计到 2035 年将达到 5.6376 亿美元，年均复合增长率约为 35.15%。沙特阿拉伯和阿联酋是该地区的主要需求中心，并获得主权 AI 项目和数据中心建设的支持。Groq 于 2025 年获得融资并作出区域基础设施承诺，体现了主权买方在建设推理能力方面发挥的作用。
沙特阿拉伯、阿联酋、南非及其他中东和非洲地区面临不同的应用条件。海湾市场能够支持集中化、高价值的计算采购，而更广泛的非洲需求则更可能通过电信、公共数字服务和移动 AI 应用逐步形成。物流、本地系统集成、汇率风险以及具备部署技能的合作伙伴的可获得性，将影响专业化存内计算硬件从试点项目转化为运营基础设施的速度。
GMI 分析师观点
我们认为，亚太地区的预测领先地位源于存储器制造、区域人工智能需求和产业政策相互强化的组合，而非某一项国家计划。GMI 预计，该地区市场规模将从 2025 年的 2.019 亿美元扩大至 2035 年的 60.2 亿美元，年均复合增长率（CAGR）约为 40.52%。韩国存储器供应商的商业化进程使该地区获得了先发优势，而中国、日本和印度则在研发、生产及终端市场需求方面持续增加长期产能。
北美将继续保持重要的商业影响力，因为该地区同时拥有专业芯片供应商和超大规模数据中心的推理采购需求。欧洲的发展轨迹可能更多由认证进程引领，尤其是在汽车、工业和受监管应用领域。拉丁美洲以及中东和非洲（MEA）将呈现选择性需求热点，而非广泛的早期采用。对于供应商而言，区域战略因此应区分两类市场：一类能够大规模验证高性能系统，另一类则由本地化边缘计算经济性、主权采购或合规要求决定首批可行的设计订单。
存算一体（CIM）芯片市场份额与竞争格局
CIM 芯片市场较为分散，这是因为供应商分别从不同起点应对存储与计算融合挑战，包括晶圆级系统、存储器产品、云端推理处理器、模拟边缘加速器、光子互连和近存储器架构。2025 年，Cerebras Systems 的市场份额估计为 18.2%，其次是 Samsung Electronics，市场份额约为 12.2%；SK hynix、Intel 和 Groq 的市场份额分别为 8.1%、7.9% 和 6.8%。其他供应商，包括 Mythic、d-Matrix、EnCharge AI、Rain AI、Lightmatter、IBM、Micron、Untether AI 和 Graphcore，合计占据估计 46.8% 的市场份额。
Cerebras Systems 凭借围绕其 WSE 架构构建的晶圆级人工智能系统处于领先地位。CS-3 系统采用 WSE-3；Cerebras 表示，该芯片包含 4 万亿个晶体管和 40 GB 片上 SRAM。其竞争优势在于系统级集成能力和低延迟推理潜力；其面临的风险则包括系统规模化所需的高资本投入、客户集中度，以及持续打造能够与成熟 GPU 平台竞争的软件环境的必要性。
Samsung Electronics 在存储器、晶圆代工服务和系统半导体领域实现了纵向整合。其 HBM-PIM、LPDDR5-PIM 以及近存储器处理业务，为将计算功能与大规模量产存储技术相结合提供了成熟路径。三星的主要优势在于能够使架构开发与制造及存储器产品路线图保持一致。其商业化挑战在于，需要将技术演示和标准化活动转化为可互操作的产品，并获得系统 OEM 厂商和云服务客户的采用。
SK hynix 通过 AiM、HBM 和移动存储器能力展开竞争。其 GDDR6-AiM 和 AiMX-xPU 项目表明，该公司重点关注将计算能力部署在靠近存储器的位置，以支持人工智能工作负载。作为领先的 HBM 供应商，SK hynix 还参与 CIM 试图重塑的传统人工智能存储器价值链。这种双重布局使公司能够获得市场洞察并具备制造规模优势，但也要求其在传统高带宽存储器与存算一体计算之间进行产品定位管理。
Intel 通过人工智能加速器、支持 CXL 的存储器生态系统以及近存储器计算路径参与市场竞争。Gaudi 3 将高带宽存储器与专用人工智能计算相结合，体现了 Intel 为企业级生成式人工智能基础设施提供替代方案的努力。Intel 对 CXL 的参与有助于推动更加标准化的智能存储器或近存储器设备连接方式，但 CXL 本身并不能解决不同 CIM 实现之间在架构和软件方面的差异。
Groq 围绕确定性推理执行和高令牌吞吐量构建了其 LPU 架构。其 2024 年 8 月的融资轮凸显了投资者对替代性 AI 推理硬件的兴趣。Groq 的竞争模式不仅限于芯片销售，还通过云端推理访问服务拓展业务，使客户能够通过响应时间、吞吐量和可用性等服务指标评估性能。这种模式可以加快客户获取服务的速度，但也提高了构建和维护推理基础设施的运营要求。
专业型挑战者正寻求更具针对性的机遇。d-Matrix 通过数字存内计算应对数据中心推理需求，并于 2025 年 11 月筹集 2.75 亿美元，以支持商业化扩张。EnCharge AI 面向客户端和嵌入式计算领域，专注于模拟存内技术。Mythic 将嵌入式闪存与模拟计算相结合，并于 2025 年 12 月宣布完成 1.25 亿美元融资。Rain AI 正在探索面向边缘部署的低功耗模拟神经形态方案。这些供应商可以受益于精准的产品市场匹配，但也必须克服与大型现有企业相同的产品认证、晶圆代工厂获取渠道和软件生态系统壁垒，而这些壁垒正是大型现有企业能够保持优势的原因。[8]Rain AI, Digital In-Memory Compute for AI Training and Inference, rain.ai. (rain.ai)
互连和封装供应商对于可扩展存内计算部署的重要性日益提升。Lightmatter 于 2025 年 3 月宣布推出 Passage M1000，该产品提供光子互连平台，光学带宽最高可达 114 Tbps。该技术本身并不构成存内计算处理，但在同时部署多个以内存为中心的加速器时，可以应对集群层面出现的通信约束。Lightmatter 与 Amkor Technology 合作开发大型 3D 光子封装，进一步表明先进封装正成为竞争性架构栈的一部分。
专利活动为竞争增添了战略层面。世界知识产权组织（WIPO）报告称，2024 年全球专利申请量达到 370 万件，其中计算机技术占申请总量的 13.2%。在存内计算领域，差异化知识产权（IP）可以涵盖存储单元结构、模拟校准、数据流、编译器方法、封装和系统集成。拥有可捍卫专利和可验证制造能力的供应商，将更有能力获得许可收入、建立晶圆代工合作关系，并签订长期客户项目。
近期行业发展
需要本报告的特定部分？
根据您的研究需求，单独购买区域分析、国家层面分析、公司简介或其他细分市场洞察
。
常见问题(FAQ):
研究方法、数据来源和验证过程
本报告基于结构化的研究流程，围绕直接的行业对话、专有建模和严格的交叉验证构建，而不仅仅是桌面研究。
我们的6步研究流程
1. 研究设计与分析师监督
在GMI，我们的研究方法建立在人类专业知识、严格验证和完全透明的基础上。我们报告中的每一个洞察、趋势分析和预测都是由理解您市场细微差别的经验丰富的分析师开发的。
我们的方法通过与行业参与者和专家的直接交流整合了广泛的一手研究，并以来自经过验证的全球来源的全面二手研究作为补充。我们应用量化影响分析来提供可靠的预测，同时保持从原始数据源到最终洞察的完全可追溯性。
2. 一手研究
一手研究是我们方法论的基础，对整体洞察的贡献率近乎80%。它涉及与行业参与者的直接交流，以确保分析的准确性和深度。我们的结构化访谈计划覆盖区域和全球市场，包括来自高管、总监和主题专家的输入。这些互动提供战略、运营和技术视角，实现全面的洞察和可靠的市场预测。
3. 数据挖掘与市场分析
数据挖掘是我们研究过程的关键部分，对整体方法论的贡献率约为20%。它包括通过主要参与者的收入份额分析来分析市场结构、识别行业趋势和评估宏观经济因素。相关数据从付费和免费来源收集，以建立可靠的数据库。然后将这些信息整合起来，以支持一手研究和市场规模估算，并由分销商、制造商和协会等关键利益相关者进行验证。
4. 市场规模测算
我们的市场规模测算建立在自下而上的方法之上，从通过一手访谈直接收集的企业收入数据开始，同时结合制造商的产量数据以及安装或部署统计数据。这些输入数据在各地区市场进行汇总，以得出一个基于实际行业活动的全球估算值。
5. 预测模型与关键假设
每项预测均包含以下内容的明确文档记录：
✓ 主要增长驱动因素及其预期影响
✓ 制约因素与缓解场景
✓ 监管假设与政策变动风险
✓ 技术普及曲线参数
✓ 宏观经济假设（GDP增长、通货膨胀、汇率）
✓ 竞争格局与市场进入/退出预期
6. 验证与质量保证
最终阶段涉及人工验证，领域专家对筛选后的数据进行手动审查，以发现自动化系统可能遗漏的细微差异和语境错误。这种专家审查增加了一个关键的质量保证层，确保数据与研究目标和领域特定标准一致。
我们的三层验证流程确保数据可靠性最大化：
✓ 统计验证
✓ 专家验证
✓ 市场实实检验
信任与可信度
已验证的数据来源
贸易出版物
行业期刊、贸易出版物和专业媒体
行业数据库
专有及第三方市场数据库
监管文件
政府采购记录及政策文件
学术研究
大学研究及专业機构报告
企业报告
年度报告、投资者演示及申报文件
专家访谈
高层管理人员、采购负责人及技术专家
GMI档案库
覆盖20余个行业领域的逶13,000项已发布研究
贸易数据
进出口量、HS编码及海关记录
研究与评估的参数
本报告中的每个数据点均通过一手访谈、真正的自下而上建模及严格的交叉验证进行核实。 了解我们的研究流程 →