2026年AI芯片‘新势力’全景图：存算一体、光子计算、神经形态芯片的最新进展与投资热点

引言：算力需求与架构瓶颈的终极对决

2026年，通用人工智能（AGI）的探索进入深水区。无论是训练万亿参数的混合专家（MoE）模型，还是驱动AI智能体（Agent）进行复杂的自主决策，或是支撑“世界模型”对物理世界进行仿真，都对底层算力提出了前所未有的要求。然而，以英伟达GPU为代表的传统冯·诺依曼架构，正面临着“内存墙”、“功耗墙”等物理极限的严峻挑战，其性能提升曲线已明显放缓。

算力，已成为制约AI发展的核心瓶颈。在此背景下，一批致力于突破传统架构限制的“新势力”芯片技术浮出水面，成为全球科技巨头和风险资本竞逐的焦点。本文将基于截至2026年6月的最新行业动态，深度剖析存算一体、光子计算、神经形态芯片三大颠覆性路径的技术原理、最新进展、商业前景及投资逻辑。

一、 存算一体：在数据源头终结“搬运”瓶颈

1.1 技术原理与优势

传统计算中，数据需要在内存（DRAM）和处理器（CPU/GPU）之间频繁搬运，这个过程消耗了超过60%的能耗和时间，是所谓的“冯·诺依曼瓶颈”。存算一体（Computing-in-Memory， CIM） 技术的核心思想，是将计算单元直接嵌入存储单元之中，让数据在存储的位置就地计算，从而从根本上消除数据搬运的开销。

其核心优势在于：

• 超高能效比：尤其适用于AI推理中大量的乘加运算（MAC），能效比传统架构可提升10-100倍。
• 低延迟：省去了数据搬运时间，响应速度极快。
• 高带宽：等效带宽远高于传统内存。

1.2 2026年最新进展与玩家格局

截至2026年中，存算一体技术已从实验室原型走向小规模商用，主要分为基于SRAM、ReRAM、MRAM和Flash等不同存储介质的技术路线。

• 国际巨头：英特尔在2025年发布的Hala Point神经拟态研究系统中，已集成了基于忆阻器的存算一体计算单元。三星则将其MRAM存算一体技术集成到了用于端侧大模型部署的AI协处理器中，用于手机和PC的实时图像增强和语音处理。
• 国内新锐：中国在存算一体赛道涌现出多家明星企业。例如，知存科技基于其Flash存算一体技术，已量产多款AI芯片，广泛应用于智能家居、穿戴设备和安防终端。后摩智能则专注于SRAM存算一体，其首款芯片“鸿途”H30在2025年量产后，以其极高的能效比，在自动驾驶边缘计算和服务器AI推理卡市场获得了不错反响。
• 技术融合：一个显著趋势是存算一体与Chiplet（芯粒）技术的结合。通过先进封装，将存算一体芯粒与数字计算芯粒灵活组合，正在成为构建高性能、低功耗AI系统的重要方案。Arm在其面向AI原生设备的创新蓝图中，也明确将存算一体视为关键方向之一。

1.3 应用场景与投资热点

存算一体芯片目前最成熟的应用是边缘AI推理，包括智能物联网设备、手机/PC端侧AI、自动驾驶感知预处理等。其超低功耗特性，完美契合了AI原生消费电子设备对续航和实时响应的要求。

投资方面，资本正从早期关注技术可行性，转向关注特定场景的落地规模和商业闭环能力。能够解决存储介质可靠性、良率、精度等工程化难题，并能与下游头部客户深度绑定的企业，更受青睐。2026年上半年，知存科技和后摩智能均宣布完成新一轮数亿元人民币融资，估值持续攀升。

二、 光子计算：用光速奔跑的“后摩尔定律”探索者

2.1 技术原理与潜力

光子计算利用光子（光）代替电子进行信息传输和处理。光具有传输速度快、能耗低、高并行性（波分复用）等物理特性，理论上非常适合进行AI模型中大规模的矩阵乘法运算。其终极愿景是构建一个“光子大脑”，以光速进行计算，实现能效和算力的跨越式提升。

2.2 2026年最新进展与玩家格局

2026年，光子计算领域正从学术探索大步迈向工程化。其核心挑战在于如何高效地实现光电转换、构建可编程的光学计算单元以及解决系统集成问题。

• 技术路线分化：目前主要分为硅光子集成和片上激光器集成两大路线。前者利用成熟的CMOS工艺制造光学元件，易于集成；后者性能潜力更高但工艺更复杂。
• 代表企业：
  • Lightmatter：美国初创公司，其“Passage”光互连平台已在2025年应用于数据中心，显著提升GPU集群间的通信带宽，解决了大规模AI训练中的通信瓶颈问题。其光子计算芯片仍处于样片阶段。
  • 曦智科技：中国光子计算领域的领跑者，其第二代光子计算处理器PACE在特定AI推理任务上的速度比高端GPU快数百倍，能效提升数十倍。该公司在2026年初宣布与国内某头部互联网公司合作，探索其在推荐系统实时推理中的应用。
  • 研究突破：据《自然·光子学》2026年3月刊载，一个国际团队展示了首个能够执行复杂神经网络训练（而不仅仅是推理）的集成光子处理器，标志着光子计算向通用性迈出关键一步。

2.3 应用场景与投资热点

短期内，光子计算最可能率先落地的场景是数据中心内部的超高速光互连，用于替代电互连，以解决AI集群中的通信墙问题。中期，专用型光子AI加速器将在特定计算密集型任务（如矩阵运算、优化问题）上展现优势，用于模型推理或科学计算。

投资界对光子计算的态度“热情且谨慎”。资本集中在那些拥有核心光电集成技术、能够解决工程化难题，并且有明确阶段性产品（如先做光互连）的公司。2025-2026年，全球光子计算赛道融资总额已超过30亿美元，其中曦智科技在2026年第一季度完成的B+轮融资，单笔金额创下该领域亚洲纪录。

三、 神经形态芯片：向大脑学习的终极能效范式

3.1 技术原理与愿景

神经形态芯片借鉴生物神经网络的结构和工作原理，采用事件驱动、异步计算的方式。神经元仅在接收到足够强度的信号时才会“发放”脉冲，这种机制带来了极高的能效，尤其适合处理时间序列数据（如传感器信号、音频）和执行模式识别任务。其目标是实现像大脑一样高效、低功耗、具学习能力的计算。

3.2 2026年最新进展与玩家格局

神经形态芯片研发历史悠久，但在2026年，随着具身智能和边缘AI的兴起，其价值被重新评估。

• 学术标杆：英特尔的Loihi 2系列是全球研究最深入的神经形态芯片。其最新一代研究芯片集成了超过10亿个神经元，主要用于探索类脑学习算法和机器人感知控制。在“昆仑行”等具身智能公司的研发中，Loihi 2被用作低功耗感知融合的试验平台。
• 产业化突破：IBM的TrueNorth芯片已过去多年，但其理念影响深远。2026年，一批初创公司正试图将神经形态技术商业化。英国的Innatera公司推出了一款面向边缘传感器的神经形态处理芯片，在连续语音识别和手势识别任务中，功耗仅为传统方案的1/10。国内的时识科技也在2025年发布了面向机器视觉的神经形态动态视觉传感器（DVS）芯片，在高速运动物体追踪场景中优势明显。
• 生态挑战：神经形态芯片面临的最大挑战不是硬件，而是软件生态和算法。传统的深度学习框架无法直接运行在神经形态架构上，需要全新的脉冲神经网络（SNN）训练工具和算法，这构成了极高的技术壁垒。

3.3 应用场景与投资热点

神经形态芯片的初期市场在于超低功耗的始终感知应用，如可穿戴健康监测、工业预测性维护、自主机器人的实时环境感知等。在这些场景下，其事件驱动的特性能带来数量级的能耗节约。

投资该领域的风险较高，属于典型的“深科技”投资。投资者更看重创始团队在神经科学、芯片设计和算法方面的跨学科背景。由于商业化周期长，资本多由关注前沿科技的主权基金、大学捐赠基金和专业硬科技VC主导。2026年，全球对神经形态计算的风险投资同比有显著增长，表明市场对其长期潜力的认可。

四、 技术对比与融合趋势

一个重要趋势是融合。未来的计算系统很可能不是单一技术“一统天下”，而是异构集成的多种架构并存。例如，一个AGI系统可能由传统GPU负责训练，由存算一体芯片负责边缘推理，由光子芯片负责集群间通信，再由神经形态芯片处理传感器的实时事件流。Arm在分析下一代芯片架构时也强调了领域专用架构（DSA）和异构集成的重要性。

五、 对AGI发展的深远影响与投资展望

这三大“新势力”芯片的发展，直接关系到AGI的实现路径和成本。

1. 突破算力天花板：它们提供了突破摩尔定律放缓的可行路径，让训练万亿参数模型和运行复杂智能体成为可能且经济的选择。
2. 赋能边缘智能：存算一体和神经形态芯片的低功耗特性，将推动强大的AI能力从云端下沉到终端，这是实现具身智能和普适计算的基础。
3. 催生新计算范式：光子计算和神经形态计算本身就在催生全新的算法和编程范式，这可能从根本上改变我们设计和构建AI系统的方式。

投资建议：

• 短期（1-3年）：关注在存算一体领域已有成熟产品和营收的公司，其商业模式清晰，增长确定性高。
• 中期（3-5年）：重点关注光子计算在数据中心的光互连应用，以及开始在特定场景展示出独特优势的存算一体芯片企业。
• 长期（5年以上）：可对神经形态芯片和通用光子计算进行前瞻性布局，这是高风险高回报的赛道，需要耐心资本和强大的技术判断力。

结语：多元化的算力未来

2026年，我们站在算力革命的十字路口。以GPU为代表的传统架构仍将是AI算力的基石，但已无法独自满足AGI时代的全部需求。存算一体、光子计算、神经形态芯片，这些“新势力”代表了三种突破物理和架构限制的勇敢尝试。它们各自面临挑战，但共同描绘了一个更高效、更强大、更多样化的AI算力未来图景。

对于技术从业者和投资者而言，理解这些前沿路径的差异、联系与融合趋势，不仅是把握下一波技术浪潮的关键，更是参与构建AGI基础设施这一历史性工程的重要一步。算力的未来，必将是百花齐放的异构时代。