Weebit Nano 正式对外推出 Matrix 研究计划，核心目标就是测试内存中的 AI 计算方案，依托自身阻变存储器 ReRAM 技术，尝试把 AI 计算直接放到存储单元内部执行，解决传统架构里数据在内存和处理器之间来回搬运带来的带宽、功耗瓶颈。之所以要做 Matrix 这个研究计划，是因为现在大模型、端侧 AI 推理对带宽需求暴涨，冯诺依曼架构的数据搬运开销越来越突出，存内计算被行业视作低功耗 AI 的重要路线，Weebit Nano 想借着这个计划跑通整套验证流程，拿到实测数据，证明 ReRAM 适配存内 AI 计算的可行性。想要看懂这项计划，要分清它是研究验证项目而非成熟商用产品，重点关注测试指标，包括推理功耗、时延、准确率衰减情况，还有适配的 AI 网络类型，对比其他存内计算方案的差异。目前该计划处于测试验证阶段，还没有定型的商用芯片，后续能不能落地、什么时候给到芯片客户使用，要看 Matrix 计划的测试结果和良率表现。
项目核心信息清单
- 项目名称：Matrix 研究计划
- 执行主体：Weebit Nano
- 核心方向：基于 ReRAM 开展内存中的 AI 计算（存内计算）测试
- 解决痛点：冯诺依曼瓶颈、数据搬运带来的高功耗与带宽压力
- 当前阶段：研究测试阶段，不属于商用产品
- 技术底座：Weebit Nano 的氧化铪基 ReRAM 阻变存储器
存内 AI 计算对比传统 AI 计算架构
| 项目 | Matrix 计划 存内 AI 计算 | 传统 AI 计算架构 |
|---|---|---|
| 计算位置 | 存储阵列内部 | 独立 AI 处理器 / MCU |
| 数据搬运 | 大幅减少数据搬移 | 需要频繁在内存与算力核心传数据 |
| 优势 | 低功耗、高带宽潜力 | 工具链成熟、生态完善 |
| 短板 | 精度控制、良率、标准化还在验证 | 功耗随算力提升快速走高 |
| 适配场景 | 端侧低功耗 AI、边缘推理 | 云端训练、高算力实时推理 |
后续跟踪重点
- Matrix 研究计划放出的功耗、推理精度实测数据
- Weebit Nano 是否联合晶圆厂、芯片客户共同测试
- 计划里支持的 AI 模型类型，比如 CNN、轻量化 Transformer
- 从研究计划转向样品、商用 IP 的时间节点
【常见问题】
问题 1：Weebit Nano 推出 Matrix 研究计划用来测试内存中的 AI 计算，内存中的 AI 计算是什么意思？
回答 1：Weebit Nano 推出 Matrix 研究计划测试内存中的 AI 计算，内存中的 AI 计算也就是存内计算，直接在存储阵列里面完成 AI 运算，不用把大量数据传到外面的算力芯片。
问题 2：Weebit Nano Matrix 研究计划测试内存中的 AI 计算，这个项目什么时候可以量产商用？
回答 2：Weebit Nano Matrix 研究计划只是测试内存中的 AI 计算的研究项目，现阶段以技术验证为主，暂时没有公布量产时间表，要等测试验证完成之后再推进样品开发。
问题 3：Weebit Nano 靠 Matrix 研究计划测试内存中的 AI 计算，它用的是什么存储介质？
回答 3：Weebit Nano 靠 Matrix 研究计划测试内存中的 AI 计算，底层采用的是自研 ReRAM 阻变存储器，这也是它做存内 AI 计算的核心载体。
【参考资料】
[2026-11-11]（Weebit Nano 推出 Matrix 研究计划，测试内存中的 AI 计算）半导体资讯
【免责声明】
本文仅为行业技术资讯整理，Weebit Nano Matrix 研究计划、内存中的 AI 计算相关测试成果、商业化前景不构成任何投资或者芯片选型建议；存内计算技术仍处于研发验证周期，性能、良率、成本都存在不确定性，一切信息请以 Weebit Nano 官方披露为准。