熵旋芯智推出 MITA 存内计算架构 破解 AI 推理能效瓶颈

熵旋芯智正式发布首代 MRAM 存内计算架构 MITA，这套架构专门针对 AI 推理里普遍存在的能效瓶颈打造，依靠存储与计算一体化设计，大幅减少数据来回搬运产生的能耗，从底层架构提升大模型推理的整体能效表现。传统冯・诺依曼架构把计算单元和存储单元分开，AI 推理要反复读取模型权重，数据搬运消耗的功耗远超计算本身，这也是长期困扰行业的存储墙与功耗墙难题；MITA 架构把模型权重直接存放在 MRAM 阵列内部，矩阵乘加运算直接在存储阵列中原位完成，不用反复把权重搬到计算核心，从根源降低访存延迟与功耗。我们可以先拆解 MITA 架构的核心设计，再梳理落地执行路径，最后对照应用场景来看能效提升效果，整套技术方案可以平稳落地到大模型推理业务，实现推理能效的跨越式升级。

一、MITA 架构核心技术设计

1. 架构基础定义

MITA 全称 MRAM In-Memory Tensor Architecture，也就是基于 MRAM 的张量存内计算架构，配套推出的专用硬件单元命名为 MPU，即 MRAM-based Processing Unit。整套架构以 MRAM 磁性存储器件为载体，把权重存储和矩阵运算整合在同一个阵列当中，实现原位计算。

2. 两大核心技术方案

1）原位存内计算方案

将量化后的模型权重永久驻留在片上 MRAM 阵列，输入激活信号进入阵列之后，直接利用 MRAM 器件状态完成张量矩阵运算，全程不需要把权重数据向外搬运，最大限度压缩数据交互带来的能耗开销。

2）近存异构协同方案

兼顾灵活性设计，一部分计算任务可以交给紧邻存储阵列的数字张量核心处理，实现存内计算 + 近存计算的异构组合，兼顾算力利用率与模型适配能力，适配多样化的 AI 推理模型。

3. MRAM 器件带来的先天优势

MRAM 具备非易失存储、读写速度快、器件寿命长、可与 CMOS 工艺兼容四大特点，对比传统 SRAM，存储密度更高，不需要持续通电维持权重数据，能够长期保存模型参数，进一步降低待机与推理过程中的整体功耗。

二、MITA 架构落地实施步骤

第一步：模型量化与权重映射。把大模型权重做低比特量化，完成模型裁剪，把处理好的参数映射到 MRAM 存储阵列当中，完成权重常驻部署，不用每次推理重新加载参数。

第二步：数据流调度优化。依靠配套软件栈优化推理数据流，把线性矩阵运算优先分配给 MRAM 存内阵列执行，非线性激活函数交给数字单元处理，做到软硬件协同调度。

第三步：阵列资源配置。根据推理任务规模调整 MRAM 阵列开启数量，小批量推理只启用部分阵列，大批量推理全开阵列，提升硬件资源利用率。

第四步：系统联调与性能验证。在边缘算力、云端大模型推理场景下完成实测，持续优化阵列读出电路，进一步降低运算延迟，稳定提升整体能效。

三、MITA 架构能效提升效果（实测参考）

表格

四、主要适配业务场景

1. 生成式大模型云端推理，尤其是 MoE 混合专家模型，这类模型权重密集，非常适合权重驻留原位计算；
2. 边缘端智能设备推理，包含车载智能、工业视觉、安防 AI，对功耗与续航有严格要求；
3. 轻量化张量运算场景，面向低功耗算力集群，兼顾算力密度与能耗控制。

【相关 FAQ】

问题 1：熵旋芯智 MITA 存内计算架构，依靠什么技术解决 AI 推理能效瓶颈？

回答 1：MITA 架构依靠 MRAM 存算一体设计解决 AI 推理能效瓶颈，把模型权重直接存储在 MRAM 阵列内部，矩阵运算在存储阵列中原位完成，消除冯・诺依曼架构下大量数据搬运产生的能耗，同时依托 MRAM 非易失特性减少权重反复加载带来的功耗开销，从架构层面突破存储墙与功耗墙。

问题 2：熵旋芯智 MITA 架构配套的硬件单元 MPU，和普通 AI 算力芯片有什么区别？

回答 2：普通 AI 芯片采用计算与存储相互分离的设计，需要持续把权重从内存搬运到计算核心；MPU 基于 MITA 架构打造，把存储阵列和计算功能整合在一起，权重常驻 MRAM 阵列，运算就地执行，大幅减少数据交互，同等算力条件下能效远高于传统 AI 处理单元。

问题 3：熵旋芯智 MITA 架构优先适配哪一类 AI 推理模型？

回答 3：MITA 架构优先适配权重密集型的大模型推理，特别是 MoE 混合专家模型，这类模型存在大量线性矩阵运算，能够充分发挥 MRAM 阵列原位计算的优势，把权重长期驻留在片上存储阵列，避免频繁加载参数，最大化发挥能效优势。

问题 4：MRAM 器件能够支撑 MITA 架构大规模量产落地吗？

回答 4：当前三星 8 纳米 MRAM 工艺已经实现成熟量产，后续还会推进到 5 纳米工艺，MRAM 器件具备 CMOS 工艺兼容性、长寿命、高稳定性等特点，能够支撑 MITA 架构 MPU 芯片走向规模化量产，为商业化落地提供完善的工艺基础。

【数据来源】

[2026-10-29]（熵旋芯智发布 MITA 存内计算架构）DoNews

[2026-10-26]（熵旋芯智押注 MRAM 存内计算破解 AI 推理能效难题）36 氪

[2026-10-25]（熵旋芯智首代 MRAM 存内计算架构 MITA 正式发布）熵旋芯智官方公众号

[2026-09-12]（MRAM 存算一体可将 AI 推理 Token 成本降低 10 倍）财联社

[2026-09-12]（熵旋芯智 MPU 芯片能效优势实测数据）新浪财经

免责声明：本文所有技术方案、性能数据、工艺进展均来自企业公开技术稿件与行业媒体公开报道；MITA 架构实际落地能效表现会受模型量化方案、硬件工艺、软件调度策略影响；MRAM 量产进度以晶圆厂官方发布信息为准；本内容仅用于产业技术科普，不构成任何投资与采购建议。