秘密研发三年！安克这颗存算一体芯片，如何违背了所有祖宗的决定

更令人意外的是，这颗芯片直接挑战了计算机行业延续80年的核心架构，冯·诺依曼架构。它采用1988年的Nor Flash技术，却实现了AI峰值算力提升150倍，达到5G OPS级别，能直接驱动400万参数的神经网络。

一家做消费电子配件的企业，为什么突然闯进芯片领域？它选择的路径又为何与行业主流完全相反？这颗小芯片背后，暴露了AI时代端侧设备面临的最大矛盾：算力需求爆炸式增长，而电池、功耗、体积却严苛受限。

传统路径似乎走进了死胡同，安克却用一种“返祖”式做法打开了新空间。这条路能否走通，不仅关乎安克下一代耳机，还可能影响更多智能设备未来的本地AI能力。

计算机芯片长期遵循冯·诺依曼架构，这个1945年确立的设计，把存储和计算严格分开。处理器负责运算，内存负责存数据，每次计算都要把数据从内存搬到处理器，算完再搬回去。这种“搬运”在数据量不大的年代问题不大，但AI时代彻底变了样。

AI核心操作是大规模矩阵乘法，也就是海量的“乘加”运算。模型参数动辄百万、千万，每次运算都要频繁调用权重数据。搬运过程消耗了大量时间和能量，据估算，在很多AI任务中，数据搬运占到整体能耗的90%左右。这就是著名的“冯·诺依曼瓶颈”，也叫存储墙。

对耳机这样的设备来说，这堵墙尤其要命。耳机电池体积极小，却要承担越来越重的AI任务：主动降噪、空间音频、实时翻译、语音交互。传统芯片难以兼顾高算力和低功耗，设备要么续航差，要么功能受限，要么发热明显。行业面临的选择似乎只有两个：要么牺牲功能，要么接受糟糕体验。安克决定换一种思路。

他们把计算直接放到存储单元里完成，数据不用来回搬运。这就是存算一体架构。简单比喻，以前像厨房和冰箱分在两个房间，每次做菜都要跑来跑去；现在直接把灶台放到冰箱里，拿食材就能立刻处理，搬运环节彻底省掉。

安克实现这一想法的办法很务实，他们利用物理规律本身完成运算。根据欧姆定律，电流等于电压乘以电导。如果把输入信号对应电压，把存储的权重对应电导，那么流过的电流天然就是乘法结果。多个单元并联，电流自动完成加法。乘加运算由物理过程直接完成，中间没有多余的数据移动，能耗大幅降低。

关键在于存储介质的选择，业界有各种新兴内存技术，但安克选了1988年东芝发明的Nor Flash。这项技术比很多读者年龄都大，却有三个突出优势。

首先是非易失性，断电后数据依然保留，耳机休眠唤醒时无需重新加载模型，节省大量功耗。其次是结构特性。Nor Flash的并联结构适合随机访问，支持神经网络并行调用权重，浮栅设计还能实现多级电导，天然适合模拟权重存储。第三是工艺成熟。良率高、供应链稳定、成本可控，量产风险远低于很多实验室阶段的新材料。

安克没有去追最先进的制程，而是选择最匹配场景的老技术。这种做法体现出清晰的逻辑：从耳机端侧AI的功耗痛点出发，确定存算一体方向，再寻找最合适的存储介质。不是为了造芯片而造芯片，而是痛点驱动方案，方案定义芯片。

这颗芯片落在实际应用上，效果直接可见。在降噪场景中，传统方法靠工程师手动设定规则，难以应对复杂真实环境。神经网络可以从数据中自主学习规律。这颗芯片能实时处理7路麦克风加上骨传导传感器的信号，精确分离人声和环境噪声。即使在高分贝的演唱会现场，通话也能保持清晰。

更长远看，安克拥有充电宝、耳机、智能家居、安防、扫地机器人等丰富生态。这些设备都面临类似挑战：本地算力需求高、隐私敏感、电池受限。存算一体芯片提供低功耗、高算力、本地推理的能力，有望让更多设备摆脱对云端的依赖，实现真正实时的智能响应，同时数据不出本地。

当然，这条技术路线并非没有限制。

模拟计算受温度、电压波动影响，精度控制比纯数字运算更难。在量产中保证每颗芯片性能一致，是现实的工程挑战。软件生态也是难题。全球开发者习惯了冯·诺依曼架构的编程模式，存算一体需要新的工具链、模型适配和量化方法，生态建设需要时间。

此外，Nor Flash虽适合当前耳机场景，但未来是否能支撑更复杂模型，还需持续验证。安克能否在迭代中建立足够壁垒，也存在不确定性。

尽管存在这些问题，安克的尝试仍然具有重要意义。它证明芯片创新不一定只发生在最先进制程上，也不一定只由传统半导体巨头主导。一家消费电子公司可以用第一性原理，重新审视架构选择，从应用场景反推技术方案。

当行业都在沿着摩尔定律和先进制程狂奔时，安克选择了一条小路。这条路目前还不完美，但它在最苛刻的消费级设备上，给出了存算一体的一次实际回答。冯·诺依曼架构功不可没，却未必适合所有AI场景。数据搬运成本日益高企的今天，重新思考存储与计算的关系，成为必然趋势。

安克这颗芯片今天主要用于耳机，未来可能扩展到更多端侧设备。它提醒行业，技术路线没有唯一标准，最优解往往来自对具体痛点的精准匹配。中国企业正越来越多地向底层基础设施延伸，这种从应用反推底层的做法，或许会催生更多差异化创新。

这条小路最终能走多远，取决于后续的工程打磨、生态建设和迭代能力。但它已经开了一个头，让人看到在AI时代，端侧智能可能出现的新格局。后续发展，值得持续关注。