ISSCC 2026重磅：清华+华为+字节联合发布存内计算芯片，重塑推荐系统能效边界
旭日财富者
这款芯片的核心突破在于，通过创新架构设计，将推荐系统核心运算的效率和能效提升 1–2 个数量级（QPS 提升 66 倍，QPS/W 提升 181 倍），为打破困扰行业多年的 “存储墙” 提供了全新路径。
痛点攻坚：推荐系统硬件困局亟待破局
在数字经济时代，推荐系统已成为连接用户与内容、产品的核心枢纽。无论是短视频分发、电商推荐还是智能搜索，背后都依赖海量用户行为数据的实时分析与精准匹配，而这一过程的核心运算单元是相似向量检索（SVS）—— 通过计算查询向量与大规模向量库之间的距离，检索出 Top-K 最邻近向量，进而实现个性化推荐。
然而，SVS 运算长期面临 “高耗低效” 的行业痛点。据联合团队论文披露，传统基于 CPU 或 GPU 的架构中，数据需要在 处理器和内存之间频繁搬运，SVS 占据了推荐系统绝大部分的计算时间与功耗。核心症结在于外部存储器访问（EMA）的高昂开销：采用混合键合技术的 DRAM 加速器成本居高不下，难以大规模普及；基于 NAND TCAM 的加速器则存在读取延迟高、数据与距离表示精度有限等问题，无法满足实时推荐需求。
SVS 的现有困境，为新型计算架构的诞生留下了空间。
HYDAR 框架：三大创新协同破局
HYDAR 芯片的创新之处，在于采用基于 电阻式随机存储器（R RAM）的混合模数存内计算架构。与传统计算架构 “数据存储与计算分离” 不同，基于 RRAM 的存内计算（Compute-in-RRAM, CiR）将计算单元与存储单元深度融合，能最大限度减少数据移动，具备存储密度高、并行度极大的优势，被公认为 深度学习加速极具前景的技术路线。
不过，在此之前将 CiR 应用于 SVS 仍面临多重挑战：随着向量库规模扩大，能耗与延迟会急剧增加，同时会降低处理单元（PE）利用率与吞吐量，还可能导致检索精度下降。如何解决这些矛盾，成为全球芯片设计领域的研究热点。
针对上述痛点，清华、华为、字节跳动联合团队提出的 HYDAR 框架，通过 “硬件架构 + 数据流调度 + 检索策略” 三维协同优化，成功实现了 CiR 技术在推荐系统加速器中的高效应用。基于该框架，团队采用 28nm 工艺流片实现了一款 CiR 原型芯片，包含 36M RRAM 单元，分为 16 个并行 PE，每个 PE 包含一个 288×4096 阵列。
根据论文，HYDAR 芯片集成三大核心技术以应对实际应用挑战：
动态延迟模数转换器（DL-ADC）：实现非 Top-K 计算的早期终止。在向量检索过程中，芯片能提前将计算出的距离与阈值比较，直接跳过不可能成为最优结果的向量，大幅降低不必要的计算延迟与功耗。
基于预测的预取调度流水线（PPSP）数据流：针对推荐系统中常见的非规则、动态变化的工作负载，该技术能智能预测数据访问模式、优化调度，显著提升系统吞吐量。
由粗到精（Coarse-to-Fine）检索架构：该设计在保证系统召回精度的前提下，实现检索任务的高效分层处理，使得系统能够轻松扩展至百万甚至更大规模的向量库，满足商业级推荐系统需求。
据联合团队在 ISSCC 2026 上披露的实测数据，这款基于 HYDAR 框架的 28nm CiR 芯片表现亮眼：单芯片可实现 390K QPS 的吞吐率与 1574K QPS/W 的能效比，其构建的多芯片系统可支撑百万级实时端到端推荐系统。在实际推荐系统任务中，当芯片扩展至 576M 规模的多芯片系统时，QPS 较传统方案提升 66 倍，QPS/W 提升 181 倍，而检索准确率与 CPU 方案相当，实现 “高效、节能、精准” 三重目标。
HYDAR 芯片的成功验证，不仅为推荐系统这一特定场景带来革命性的能效提升，其混合模数存内计算的设计思路更具普适意义。随着大模型向端侧部署、边缘计算需求爆发，对高能效、低延迟 AI 计算硬件的需求日益迫切。HYDAR 芯片能够以极低功耗，支撑电商、内容平台等所需的百万级实时端到端推荐系统，有望将相关数据 中心的算力成本降低一个数量级。
未来展望：从存内计算到存内智能
此次清华、华为、字节跳动的联合突破，不仅为推荐系统硬件加速提供全新路径，更对我国集成电路产业与 AI 生态发展具有深远意义。从技术层面看，该成果填补了存内计算技术在推荐系统专用加速器领域的空白，验证了 28nm 工艺下 CiR 技术的商业化可行性 ——28nm 工艺兼具性能与成本优势，相较于先进制程更易实现规模化量产，为后续技术落地奠定基础。
对于产业而言，HYDAR 框架的成功，为存内计算技术在特定应用领域的深化应用指明方向。未来发展趋势可能包括：
·技术路径分化与融合：存内计算领域存在基于 SRAM 的极速能效路径与基于新兴存储（RRAM）的大容量端侧路径。HYDAR 代表了后者，未来两条路径可能在不同应用场景中各自发展，也可能出现融合架构。
·从存内计算到存内智能：随着技术成熟，计算可能不再是 “存内计算”，而是 “存内智能”—— 存储器不仅是计算单元，更是智能决策单元。HYDAR 中的预测调度、自适应阈值等技术，已经展现出这种 “存内智能” 的雏形。
·生态系统构建：技术突破需要配套的软件栈、开发工具和标准支持。未来可能出现针对存内计算架构优化的 编程模型、 算法库和开发框架，降低 开发者使用门槛。
·新材料新器件探索：RRAM 作为新型存储器件，其非线性等特性曾是应用障碍，HYDAR 通过补偿算法等克服了这些挑战。未来可能出现更适合存内计算的新材料新器件，进一步提升性能。
多位行业专家分析认为，随着存内计算技术不断成熟，其有望成为下一代 AI 硬件的核心架构之一。