SK海力士把铁电材料做进3D NAND，存内计算有了新解法

SK海力士在10月15日公开了一项研究结果：把铁电材料做进3D NAND，让存储芯片自己承担一部分AI运算。按照公司新闻室的介绍，这套方案叫基于3D FeNAND的模拟存内计算，也就是A-CiM，相关论文发表在2025年IEEE国际电子器件会议上，作者来自公司全球研发中心。

要理解它解决的是什么问题，先看数据搬运这笔账。大模型参数越堆越大，权重数据要在存储和计算单元之间反复来回，功耗和延迟就卡在这一段。存内计算的思路是把计算挪进存储阵列内部或附近，直接省掉这段搬运。放到模拟域里做，就是用存储单元自己的电学状态去完成乘积累加运算，这是AI推理里最基础的算子。

为什么选铁电而不是传统结构，官方给了对照。商用3D NAND主流用的是电荷俘获氮化物结构，靠氮化物层里电子的俘获与释放来区分单元状态。这套结构密度上有优势，但要精确分辨模拟计算需要的多档电流级数，就比较吃力。铁电材料不一样，去掉外电场之后内部极化状态仍然保留，改变极化方向就能存储数据、控制单元电流，因而在更低功耗下把多档电流分得更清。

真正的工作量不在换材料这一步。研究团队的说法是，光把单元结构换掉还不够：就算单元能稳定区分电流级数，互连线上为选通和控制付出的功耗如果压不下去，整体性能照样被拖住；反过来把互连负担减下来，如果页的使用方式跟AI模型的数据规模和计算顺序对不上，也会带来多余的开关动作和等待。所以单元、非单元与页这三层方案必须放在同一个架构里协同优化。

收益的数字由公司给出：相比传统3D NAND，这套协同优化后的方案吞吐高出10到20倍，能效好上4000到5000倍。这两个量级需要打个折扣来读——它来自实验室条件下的对比，衡量对象是存储介质本身的运算能效，不是整卡或整机的表现，离量产还有距离。但方向本身说明了一件事：NAND闪存的角色正在从单纯的数据仓库，往低功耗AI计算平台的方向挪。

把这项研究放回产业位置上看，它的意义不是短期替代HBM。训练和推理最吃带宽的地方仍然由HBM和DRAM把守，NAND的模拟存内计算瞄准的是另一类场景——功耗和空间都被卡死、又需要把模型放在近端跑的地方。存储厂商愿意把研究往这个方向投，本身就说明AI算力这盘棋，瓶颈正在从单纯的算力堆叠，转向数据在哪儿算这个更底层的问题。