英伟达拟投资 d-Matrix：GPU、CUDA 生态与 3D DRAM 存算一体迎来 "世纪握手"

一笔投资，两条技术线，一个正在被重写的 AI 芯片架构叙事。

英伟达把钱递给了一家 "存算一体" 公司

10 月 9 日，据 The Information 报道，英伟达计划投资 AI 服务器芯片开发商 d-Matrix。消息一出，行业内的关注点迅速从 "谁被投了" 转向 "英伟达为什么投"—— 因为 d-Matrix 所走的技术路线，与英伟达传统 GPU 架构并非同一条轨道。

d-Matrix 成立于 2019 年，迄今累计融资约 5 亿美元，微软旗下风险投资机构 M12 亦是其早期投资者。但真正让这家公司值得被英伟达 "高看一眼" 的，不是融资额，而是它的产品逻辑：其 Corsair 推理平台采用数字存内计算（DIMC）架构，核心思路是让矩阵乘法直接在存储单元内部完成，而非把数据搬到计算单元再运算。

更值得注意的背景是，今年 9 月 d-Matrix 刚宣布加入英伟达 NVLink Fusion 生态，其下一代推理 XPU Raptor 将被直接接入英伟达 MGX 机架参考架构，与 Vera CPU、NVLink 交换机、BlueField-4 DPU 和 Spectrum-X 以太网网络协同部署。也就是说，这笔投资不是临时起意，而是此前产品级合作的资本延伸。

如果这次投资最终落地，它的象征意义远大于财务意义：这是 GPU CUDA 生态第一次以股权绑定的方式，拥抱一家以存算一体为核心架构的 AI 芯片公司。

为什么是 d-Matrix：推理时代的 "内存墙"

要理解这笔投资的分量，需要回到 AI 芯片正在面临的核心矛盾。

过去数年，大模型训练的竞争逻辑很简单：堆算力、堆 GPU、堆集群。但当产业重心从训练转向规模化推理，新的瓶颈浮出水面 ——数据搬运。

在长上下文、多用户并发的推理场景下，模型权重、KV Cache 等数据规模急剧膨胀。即便计算单元拥有足够强的算力，如果数据无法及时供给，计算资源也只能空转。这就是行业常说的 "内存墙"：问题不再是 "算不动"，而是 "搬不动"。

传统架构的应对路径是提升带宽。HBM 通过先进封装把内存堆得离计算更近，带宽一路推到 8TB/s（B200 HBM3e）。但带宽提升有物理上限，当数据搬运本身成为系统开销，行业自然开始追问一个更底层的问题：能不能让计算发生在数据所在的地方？

d-Matrix 的答案是存算一体。其 DIMC 技术让存储块本身就是计算块，矩阵乘法在存储阵列内部完成，再通过嵌入的加法器树求和。Corsair 单卡集成 2GB 片上 SRAM，内存带宽高达 150 TB/s—— 远超 HBM。同时支持 256GB 片外 LPDDR5 扩展，按 MXINT8 精度提供 2.4 PFLOPS 算力，MXINT4 精度可达 9.6 PFLOPS。

这不是对 GPU 的替代，而是对推理负载的补位。d-Matrix 自己也很清楚：在训练领域，英伟达的地位已经难以撼动；但在推理这个对延迟、带宽和成本极度敏感的场景，专用架构有自己的生存空间。

"世纪握手"：3D DRAM 与存算一体的合流

如果说 d-Matrix 的 DIMC 架构代表了存算一体的技术路线，那么其下一代 Raptor 平台引入的 3D DRAM 堆叠，则指向了另一个同样关键的趋势。

这里需要区分两个经常被混淆的概念：

3D 集成（含 3D DRAM）解决的是 "距离" 问题 —— 通过三维堆叠和高密度垂直互连，让计算裸片与存储裸片在物理层面尽可能靠近，缩短数据传输路径。
存算一体解决的是 "效率" 问题 —— 在架构层面改变计算与存储的关系，消除缓存层级带来的数据搬运开销。

二者是不同层面的创新，但它们正在合流。

过去，3D 封装（如 HBM内部）主要服务于传统计算架构，本质上还是 "把内存搬到离计算更近的地方"；而存算一体虽然架构激进，但受限于存储介质本身的容量和工艺，产品化路径曲折。当 3D DRAM 与存算一体结合，意味着物理层的 "近" 与架构层的 "融" 同时发生 —— 这恰好是对内存墙最直接的回应。

英伟达选择在这个节点投资 d-Matrix，且将其纳入 NVLink Fusion 体系，释放的产业信号非常明确：存算一体正在从架构研究走向产业化验证，而 3D DRAM 与存算一体的协同，正在成为下一代 AI 推理芯片的重要技术方向。

某种意义上，这可以被看作 GPU、CUDA 生态与 3D DRAM 存算一体架构之间的一次 "世纪握手" ——GPU 继续主导训练和通用计算，存算一体承接带宽敏感的推理负载，两者在同一个机架、同一张软件栈下分工协同。英伟达主动投资并开放 NVLink Fusion 入口，本质上是让 GPU 生态吸纳新型计算架构，而非被动等待它在体系外成长。

国内对标：谁在走同一条路？

英伟达在海外完成的这次布局，放在国内视角看，对应的问题是：有没有中国公司在沿同一条技术路线推进？

从公开信息来看，国内通用存算一体赛道中，同时满足以下几个条件的标的并不多 ——

走通用计算路线，而非局限于某一类特定加速场景（如视觉、加密）；
软件栈兼容 CUDA 等主流生态，降低客户迁移成本；
技术路线涵盖 3D DRAM 与存算一体的协同设计，并推进产品化。

在这几个维度上，亿铸科技是国内起步最早、技术成熟度最高的一家。

根据其公开披露的信息，亿铸科技对存算一体的探索并非始于近期。早期研发阶段，公司已完成相关 AI 芯片的技术验证，并持续围绕计算架构、存储体系及软硬件协同开展工作。随着 AI 推理需求的演变，其技术路线进一步延伸至 3D DRAM 与通用存算一体架构的协同设计 —— 从计算架构、存储系统、互连方式到软件体系进行全链路优化，瞄准的是云端 AI 推理的产品化落地。

软件侧的选择同样关键。亿铸科技通过自研指令集、编译器、算子库，以及对 CUDA、PyTorch 等主流生态的兼容能力，构建面向通用 AI 计算的软件体系。这一思路与 d-Matrix 被纳入 NVLink Fusion 的逻辑高度一致：存算一体芯片要真正走进客户的部署清单，光有架构创新不够，必须让开发者能以最低成本迁移过来。

架构自洽、生态兼容、3D DRAM 产品化 —— 这三条线同时推进，在国内通用存算一体赛道中并不常见。

方向已经确认，异构协同成为新常态

英伟达投资 d-Matrix，本质上是给存算一体这条技术路线投了一张 "产业化确认票"。

在此之前，行业对存算一体的讨论长期停留在架构层面 —— 它能不能做、有没有用、会不会被 GPU 吞掉。英伟达用资本和生态两个维度同时给出答案：它不仅能用，而且值得被纳入 CUDA 主导的 AI 基础设施体系。

3D DRAM 与存算一体的结合，逻辑上已经自洽。物理层缩短距离，架构层消灭搬运，两层叠加正好命中推理时代的核心瓶颈。

国内市场的位置同样清晰。当海外已经由英伟达牵头完成生态对接，国内通用存算一体企业的任务不再是 "要不要走这条路"，而是能否在架构创新之外，同步完成软件生态兼容和客户侧验证。亿铸科技这类从早期就锚定通用路线、并持续推进 CUDA 兼容与 3D DRAM 产品化的团队，已经走在正确的路径上。

AI 芯片的竞争，正在从 "谁的算力峰值更高" 转向 "谁的系统效率更优"。英伟达主动伸手与存算一体握手，是让 GPU 继续充当训练与通用计算的核心，同时把推理侧的带宽敏感负载交给存算一体承接 —— 把这场架构变革纳入自己主导的秩序之中。对整个行业而言，方向已经确认：GPU 与存算一体不是替代关系，而是同一张系统架构里的分工协同。