从训练走向推理：寅谱如何用“算法定义硬件”重塑AI存储？

随着生成式AI大模型与高性能计算的爆发，传统存储架构在面对海量数据搬移与频繁访存时，正面临严峻的性能与功耗瓶颈。近日，寅谱联合创始人兼CTO熊巍博士，围绕其在AI SSD、算存融合芯片以及软硬件协同设计等领域的布局，分享了寅谱对AI推理时代下存储技术革新路径的深刻洞察。

多元AI应用场景驱动：NAND容量扩展新需求

“AI应用的落地都对内存容量与存储结构提出了全新要求。”熊巍首先指出了市场需求的变化。他表示，在PC等个人终端领域，AI应用场景目前主要以单请求、低并发为主；而在车载与智能驾驶领域，需求则显得更为多元且复杂，涵盖了自动驾驶、计算机视觉模型以及车载视觉大模型等多重形态。

熊巍强调，不论应用场景如何演变，AI模型的容量压力需借助NAND存储介质来进一步扩展内存容量，这种方式是突破当前硬件限制的关键解法之一。

核心竞争理念：软件/算法定义硬件设计

区别于传统国际存储巨头单纯聚焦于存储介质或主控芯片本身，寅谱提出了“软件定义硬件”与“算法定义硬件”的设计思路。熊巍解释，这一理念的背后，是AI产业从“训练时代”向“推理时代”深刻转变的必然结果之一：

·训练时代的局限：过去，AI硬件高度趋同，以GPU为绝对主导，相关训练算法主要围绕GPU的架构特性进行优化。

·推理时代的新焦点：熊巍指出：“现在，市场的焦点已经转向了‘推理经济性’。业界不仅关注每秒产生的Token数，更极度关心每美元成本所能换取的Token数量。”

为达成极致的推理经济性，熊巍认为推理硬件必须高度契合大语言模型推理（如Attention计算、Prefill预填充阶段以及Decode解码阶段）的物理计算特征。寅谱正是从系统架构层面出发，针对大模型推理算法特征指导SoC及整体硬件设计，从而筑起了与传统存储大厂显著的差异化竞争壁垒。

算存深度融合：解锁大模型推理降本增效

在探讨LLM推理过程（尤其是Decode阶段）时，熊巍指出了一个核心痛点：“大模型的权重数据需要频繁地从存储介质搬移至计算单元。如果单纯堆叠计算能力或存储容量，都会因系统的带宽瓶颈而导致较高的成本。”

为此，寅谱从创立之初便致力于解决推理层面的降本增效问题。熊巍表示，无论是早期优化的主板智控、研发ASIC推理芯片，还是现在推出的AI SSD，皆是服务于同一目标在不同阶段的产品呈现。他强调：“在软件与算法层面，存与算并非割裂，而是需要通过精细匹配‘算’与‘存’的比例，使系统整体发挥出最大效益。”

开放协同：定位产业链“架构与解决方案”输出者

面对漫长的半导体产业链及上下游企业的技术壁垒，熊巍明确了寅谱的定位：“我们发挥自身在IC设计、高性能计算（HPC）及大模型领域的技术积累，主导产品定义与硬件架构设计。”

在产业生态合作上，寅谱选择与产业链上下游强强联合：

·主控与算法合作：与联芸科技等主控芯片厂商深度合作，充分利用其在磨损均衡、SLC Cache控制及可靠性保障上的成熟技术。

·晶圆与原厂合作：积极与NAND Flash原厂及系统整机厂商建立伙伴关系，共同推动AI基础设施生态的落地与繁荣。

从训练跨入推理，AI产业正经历从单纯追求绝对算力峰值向精细化“计算/存储ROI”的深刻演进。在这个存算融合与存储架构重构的关键节点，以寅谱为代表的新锐力量，凭“算法定义硬件”的前瞻视角打破传统硬件束缚，不仅为算存瓶颈提供了降本增效的破局解法，更为本土半导体生态协同注入了强劲动力。