在2026新紫光集团创新峰会上，新紫光前沿技术研究院正式公布了一项面向下一代计算体系的核心技术成果——“紫弦”三维化近存计算架构。这一架构以3D DRAM为基础，并融合3.5D异质异构集成方案，被外界视为对传统GPU算力模式的一次重要延伸尝试。随着AI模型规模持续扩大，算力瓶颈不断凸显，该技术的亮相也引发了行业对存储与计算融合路径的新一轮关注。
从技术细节来看，“紫弦”架构的核心突破主要体现在三个方面。首先，它采用3D DRAM作为基础存储单元，并通过3.5D封装方式实现多类型芯片的异构集成，使得存储与计算之间的物理距离大幅缩短，从而提升整体数据处理效率。其次，在带宽能力上，该架构宣称可实现最高30TB/s的数据吞吐水平，这一指标在当前主流AI加速架构中处于较高区间。第三，该系统基于国内供应链体系设计，强调可规模化量产能力，而非仅停留在实验室阶段。
在性能表现方面，近存计算（PNM）模式是该架构的重要技术路径之一。通过将部分计算任务前移至存储侧处理，“紫弦”在访存延迟方面实现了最高18倍的降低。这一优化直接针对当前AI训练中最主要的瓶颈之一——数据搬运成本过高的问题。此外，模拟测试结果显示，在相同算力资源条件下，其Token吞吐效率较部分国际高端GPU方案提升约1.5至2倍，这一数据也成为业内关注的焦点之一。
值得注意的是，这类架构创新的出现，并非单纯追求算力堆叠，而是对计算范式的一次重新设计。在AI大模型快速发展的背景下，传统“计算中心化”架构逐渐暴露出带宽不足、功耗过高以及延迟瓶颈等问题。近存计算的提出，正是试图通过“存算融合”的方式，将数据处理尽可能靠近存储端，从体系结构层面降低能耗与延迟。
从行业影响来看，这一方向正在成为全球半导体竞争的新焦点。过去十年中，算力提升主要依赖GPU性能迭代，但随着制程逼近物理极限，单纯提升芯片算力的边际收益正在下降。因此，越来越多厂商开始转向系统级优化，例如先进封装、存算一体以及异构计算架构等方向。紫光此次推出的“紫弦”，正是这一趋势下的典型产物。
横向对比来看，国际厂商也在探索类似路径。例如部分高端AI芯片已开始采用HBM与先进封装结合的方式提升带宽，而近存计算概念也逐渐进入主流视野。但不同之处在于，“紫弦”更强调3D DRAM与异构集成的系统级设计，并试图在供应链层面实现规模化落地，这使其在产业化路径上具有一定差异性。
一个明显变化是，AI算力竞争正在从“单芯片性能竞赛”转向“系统架构竞争”。在这一过程中，存储不再只是被动的数据载体，而逐渐演变为参与计算过程的重要组成部分。这种变化意味着，未来芯片设计不再是单一维度的优化，而是涉及材料、封装、架构与软件协同的复杂系统工程。
从产业链角度来看，如果近存计算技术能够实现规模化应用，将对AI服务器、数据中心乃至云计算架构产生深远影响。一方面，它可能显著降低大模型训练成本；另一方面，也可能推动新一代AI硬件标准的形成，加速行业洗牌。
总体来看，“紫弦”架构的发布不仅是一项技术展示，更反映出国产半导体企业在AI基础设施领域的深入探索。在全球算力需求持续攀升的背景下，围绕存算融合的技术路线竞争正在加速展开。
如果后续产业验证顺利，这类以近存计算为核心的新型架构，或将成为未来AI算力体系的重要组成部分。短期来看仍处于技术验证与生态构建阶段，但从长期趋势判断，计算与存储边界逐步模糊或将成为不可逆的发展方向。
