SRAM，再续生机

过去几年，先进制程工艺的玩家越来越频繁地遇到同一个问题：逻辑晶体管还在继续缩小，但SRAM跟不上了。

这一矛盾早在台积电3nm节点上就已经暴露出来。SemiWiki援引IEDM资料称，台积电N3的高密度SRAM位单元约为0.0199平方微米，而N3E披露的高密度SRAM位单元约为0.021平方微米；后者不仅没有继续缩小，甚至与N5时代约0.021平方微米的水平接近。

台积电SRAM单元尺寸的发展

因此，过去几年行业中“SRAM缩放已经走到尽头”的讨论越来越多。SemiEngineering在2024年的一篇分析中指出，SRAM难以继续随先进节点缩放，已经对功耗和性能目标构成挑战；但与此同时，SRAM又是AI应用中最关键的片上工作存储之一。该文还援引Flex Logix CEO Geoffrey Tate的说法称，先进节点客户普遍抱怨逻辑比SRAM缩得更快；如果把缓存放到片外，性能会“断崖式下降”。

SRAM不是一个可以被轻易移出芯片的模块。在《SRAM，取代HBM？》一文中我们就探讨了SRAM的重要性。它之所以重要，恰恰在于足够靠近计算单元，能够提供低延迟、高带宽、可预测的数据访问。一旦把缓存、缓冲区或片上暂存存储放到片外，即便片外有HBM、CXL或其他高带宽方案，芯片仍然会遭遇延迟、功耗、调度复杂度和系统成本的多重惩罚。

然而，6月25日，IBM给这个看似悲观的问题提供了一个新的答案。

IBM发布了0.7nm级的“纳米堆叠”（Nanostack）晶体管架构。按照IBM官方表述，这是业界首个已知的基于纳米片的三维晶体管设计，可在指甲大小的芯片面积内容纳近1000亿个晶体管，密度几乎是IBM于2021年发布的2nm芯片的两倍，并有望相较IBM 2nm节点实现最高50%的性能提升，或70%的能效改善。

但这款晶体管真正值得关注的，不仅仅是0.7nm这个标签，而是IBM在同一发布中提到的另一项指标：SRAM缩放。

IBM称，其研究人员在VLSI 2026上发表的新研究显示，Nanostack架构可带来40%的SRAM缩放。更准确地说，这不是“SRAM容量降低40%”，而是SRAM单元高度或SRAM面积维度的缩小：同样面积下可以放入更多SRAM，或者同样SRAM容量可以占用更小芯片面积。IBM官方发布页也列出相关VLSI论文，题为《交错沟道纳米堆叠SRAM位单元的面积与性能研究》（Area and Performance of Staggered-Channel Nanostack SRAM Bitcells）。

SRAM是否还能继续缩？也引发业界的关注。

SRAM危机，在AI时代更凸显

SRAM缩放放缓之所以在今天变得更加突出，是因为AI芯片的核心瓶颈已经不只是算得够不够快，而是数据能不能足够快、足够近、足够便宜地送到计算单元旁边。

大模型训练和推理都高度受限于数据搬运。Transformer模型中的权重、激活值、中间结果、注意力计算，以及推理阶段越来越重要的KV缓存，都需要在不同存储层级之间频繁移动。即便算力继续提升，如果这些数据无法高效留在计算附近，芯片就会被HBM带宽、片间通信、片上互连和存储层级拖住。

过去几年，AI芯片竞争表面上看是张量计算单元、FP8、FP4、HBM容量、先进封装和互连带宽之争；但更底层的矛盾是，计算单元越来越多，数据却越来越难喂饱它们。

如果SRAM继续停滞，AI芯片会越来越依赖HBM、先进封装、芯粒化缓存、近存计算、存算一体和更复杂的系统互连。芯片可以更强，但系统也会更贵、更复杂、更难扩展。

具体来看，SRAM缩不动至少会带来五个直接后果。

第一是裸片面积。SRAM面积不缩，芯片中片上存储占比就会上升。对于大GPU、AI ASIC和高性能CPU而言，这意味着更大的裸片面积、更高的光罩成本，以及更紧张的单次曝光面积限制。尤其是AI芯片往往需要大规模片上缓冲区、缓存和暂存存储，SRAM面积停滞会直接稀释先进节点的面积收益。

第二是良率。先进节点下，大尺寸裸片对缺陷密度更敏感。SRAM如果继续占用大量面积，就会把AI芯片推向更高良率压力。一个芯片上的SRAM阵列越大，对冗余设计、修复机制、测试成本和良率管理的要求也越高。

第三是功耗。片外搬数据通常比片内访问更耗能。SemiEngineering援引Rambus专家Steve Woo的观点指出，如果处理器核心无法获得足够SRAM，就必须从更远处搬数据，这会增加功耗并拉低性能。

第四是延迟。对大模型推理而言，尤其是解码阶段、长上下文、多轮对话和实时响应场景，KV缓存与中间状态访问会显著影响尾延迟和用户体验。片上SRAM越充足，越有机会减少访问HBM或跨芯片搬运的次数，从而降低不确定性。

第五是架构选择。SRAM缩不动，会迫使芯片公司在多种路线之间重新取舍：是继续堆HBM，还是做更大的片上SRAM？是走芯粒化缓存，还是走3D缓存？是采用近存计算、存算一体，还是通过CXL扩展外部内存池？这些选择都不只是工艺问题，而会直接影响AI芯片的系统形态。

这也是为什么SRAM重新变得重要。

巨头们，各出奇招

SRAM缩放放缓并不是IBM一家看到的问题。台积电、三星、英特尔过去几年的路线，已经从不同角度说明：SRAM正在从一个默认跟随逻辑缩放的配套模块，变成先进节点竞争力的重要指标。

台积电是SRAM缩放放缓最典型的案例。

如同文章开头所述，在3nm节点，台积电仍然实现了逻辑密度提升，但SRAM位单元已经几乎停滞。N3高密度SRAM位单元约0.0199平方微米，仅比N5的0.021平方微米缩小约5%；N3E的SRAM位单元约0.021平方微米，与N5基本接近。

到了N2，台积电试图把SRAM缩放重新拉回正轨。台积电官方研究页面显示，其2nm CMOS纳米片技术展示了38.1Mb/mm²的SRAM，用于高密度和高能效计算应用。该设计使用0.021平方微米的高密度位单元，并通过设计技术协同优化，让整体SRAM密度相较前一代技术提升1.1倍。

台积电2nm-CMOS纳米片工艺的 38.1Mb/mm² SRAM（图源：台积电）

这里的关键不是位单元尺寸大幅缩小，因为0.021平方微米本身并不比N5、N3E时代更小。真正的变化在于，台积电通过GAA纳米片、阵列设计、电路技术和设计技术协同优化，提高了SRAM宏单元层面的整体密度。Mark LaPedus对相关论文的梳理也提到，台积电2nm SRAM宏单元容量为580Kb，使用0.021平方微米位单元，整体SRAM密度较前代提升10%，达到38.1Mb/mm²。

台积电对SRAM问题的态度是：SRAM缩放不能再只靠几何微缩，而要靠器件结构、阵列架构、辅助电路和设计技术协同优化共同解决。这也解释了为什么台积电在面向AI/HPC的后续节点中继续强化A16、超级电轨（Super Power Rail）等技术。随着AI芯片越来越受限于供电、互连和片上存储，先进节点不再只是晶体管结构之争，而是逻辑、SRAM、供电网络、后端互连和先进封装的系统协同。

三星的路线更偏向结构创新。

2022年，三星宣布3nm GAA工艺进入初始生产，并称其MBCFET技术通过纳米片结构提升驱动电流能力、降低供电电压、改善功耗和性能。三星还强调，GAA可通过调整纳米片沟道宽度，针对不同客户需求优化功耗和性能。

这对SRAM尤其重要。三星在一篇专门讨论“3nm GAA MBCFET与SRAM设计灵活性”的技术博客中写到，MBCFET的纳米片宽度可调，能够为SRAM单元设计提供更大灵活性；通过分别调节PMOS和NMOS，以及下拉晶体管、传输门晶体管等器件的沟道宽度，可以在SRAM单元中获得更好的裕量。三星还称，GAA SRAM位单元相比鳍式晶体管需要更低功耗，并且由于GAA宽度可独立调整，能够改善性能、功耗、面积与SRAM稳定性之间的平衡。

从三星SF2节点看，这一思路仍在延续。三星官方逻辑节点页面显示，SF2作为第二代MBCFET/GAA先进节点，强调更强的稳定性、先进计算负载性能，以及通过多种纳米片宽度配置提升单位功耗性能，同时实现单元高度降低。

英特尔的思路则更偏向系统组合。英特尔18A的核心卖点是RibbonFET与PowerVia。英特尔官方介绍称，18A采用RibbonFET和PowerVia背面供电技术。PowerVia将供电网络移至晶圆背面，以减少正面金属层中电源与信号布线的拥塞，从而改善性能、功耗和密度。

从SRAM角度看，PowerVia的重要性不只在于提升逻辑标准单元的布线效率，也在于改善大规模片上存储附近的供电完整性。SRAM阵列对电压波动非常敏感，最低工作电压、读写稳定性、动态压降都会影响可用频率和工作电压。因此，背面供电本质上也是在为先进节点下SRAM和高密度逻辑阵列提供更稳定的电源基础。

IEDM相关资料显示，Intel 18A RibbonFET CMOS技术中包含0.023平方微米的高电流SRAM单元和0.021平方微米的高密度SRAM单元，并结合PowerVia背面供电。IEEE Xplore收录的论文摘要也显示，英特尔展示了首个基于RibbonFET技术、通过硅验证的高电流和高密度6T SRAM。

总体来看，台积电、三星、英特尔三家路线各不相同，但共同指向一个判断：SRAM已经成为先进制程的新考题。

IBM如何让SRAM继续缩放？

这就要回到晶体管结构本身。

传统CMOS里，nFET和pFET通常在同一平面左右排列。SRAM位单元又高度依赖n/p器件的密集排布。随着节点推进，晶体管本身可以继续缩，但n/p之间的隔离、不同功函数金属、源漏区、栅切割、局部互连和布线规则，不一定能同步缩。

换言之，SRAM不只是晶体管尺寸问题，更是版图、器件隔离、读写裕量、稳定性和互连规则共同约束的结果。

IBM Nanostack的思路，是把这件事从平面维度改写到垂直维度。IBM称，Nanostack是一种三维、基于纳米片的晶体管架构，通过垂直堆叠和错位排列晶体管来提升密度，并允许不同层使用不同材料组合，从而分别优化性能和功耗。

Futurum对IBM这款纳米堆叠晶体管的解读进一步提到，SRAM位单元中的N到P间距是长期约束，而Nanostack通过把N型和P型器件上下堆叠，把横向间距转化为纵向薄介质键合，从而移除一部分横向面积瓶颈；其解读称IBM VLSI 2026论文展示了超过40%的SRAM单元高度降低。

通俗地说，IBM不是靠把每个晶体管雕得更小来救SRAM，而是靠改变nFET和pFET的相对摆放方式：把原本占平面面积的隔离距离，压进垂直方向。

这和CFET SRAM研究方向是一致的。CFET，也就是互补场效应晶体管，本质上同样是把nFET和pFET从横向并排推进到垂直堆叠。IEEE Transactions on Electron Devices在2023年发表的一篇CFET SRAM设计技术协同优化论文摘要显示，A5 CFET SRAM相比A14纳米片SRAM可实现最高55%的位单元面积缩放，相比A10 forksheet SRAM也可实现约40%的位单元面积缩放。

IBM Nanostack展示的SRAM收益并不是偶然，而是整个先进逻辑从鳍式晶体管走向GAA纳米片，再走向forksheet、CFET、Nanostack和更广义3D CMOS过程中的一部分。

当然，IBM此次发布还有另一层产业含义：它试图重新定义GAA之后的晶体管路线。

IBM在纳米片/GAA方向上起步很早。2021年，IBM发布2nm纳米片技术，称其可相较7nm芯片实现45%的性能提升或75%的能耗降低。但从产业商业化角度看，GAA纳米片的实际量产红利更多落到了三星、台积电、英特尔等制造玩家手中。

2022年，IBM与日本Rapidus宣布战略合作。Rapidus将进一步开发IBM的2nm节点技术，并计划在其日本晶圆厂中导入相关技术；IBM也表示Rapidus工程师将与IBM研究人员在Albany NanoTech Complex展开合作。2024年，IBM和Rapidus又把合作扩展到2nm世代的芯粒封装技术。

但问题在于，IBM已经不是主流先进逻辑量产厂，真正落地仍要靠合作伙伴。Reuters在报道IBM此次0.7nm技术时提到，IBM尚未公布制造伙伴，但其此前曾将芯片技术授权给三星和日本Rapidus；IBM方面认为，该技术最早可能在未来五年内进入生产路径。

给SRAM续命的，还有他们

事实上，在IBM发布0.7nm Nanostack之前，AI芯片架构层面已经出现了一批重新重视SRAM的路线。

其中最典型的是Groq。Groq官方对LPU架构的介绍中明确提到，LPU集成了数百MB SRAM，并将其作为主要权重存储，而不是缓存，从而降低延迟，并使计算单元能够全速运行。这种架构可以支持跨芯片的高效张量并行，对于快速、可扩展的推理而言是一项实际优势。

Groq这一路线后来也吸引了英伟达的视线。2025年12月，Groq宣布与英伟达达成一项非独家的推理技术授权协议。按照Groq官方说法，双方合作的目标是扩大高性能、低成本推理能力；与此同时，Groq创始人Jonathan Ross、总裁Sunny Madra以及部分团队成员将加入英伟达，帮助推进和扩展被授权的推理技术。不过，Groq也强调，公司将继续作为独立公司运营，GroqCloud也会继续运行。

Groq路线的核心不是“SRAM容量比HBM大”。恰恰相反，单芯片SRAM容量远小于HBM。但SRAM的价值在于低延迟、高带宽、靠近计算和可预测性。Groq把权重和数据流尽可能显式安排在片上SRAM中，本质上是在用架构和编译器控制数据运动，而不是让硬件缓存层级和外部存储系统承担全部压力。

Cerebras则走得更极端。其WSE-3采用台积电5nm工艺，集成4万亿晶体管、90万个AI核心、125 PFLOPS峰值AI性能，并拥有44GB片上SRAM。Cerebras官方资料显示，WSE-3面向大模型训练与推理，试图通过晶圆级芯片方式，把计算、片上存储和互连铺在一整片晶圆上。

Groq和Cerebras代表了两种不同形态，但它们共同说明了一个趋势：AI芯片的差异化，不再只是张量计算单元有多强，也在于能把多少高带宽、低延迟的存储放到计算旁边。

结语

过去几十年，摩尔定律的核心是单位面积内容纳更多晶体管。到了AI时代，这个表达已经不够完整。AI芯片的竞争，已经不再只是计算单元之争，也越来越是片上存储能力之争。

如果SRAM通过Nanostack、CFET或其他3D CMOS路线重新获得一轮缩放，那么AI芯片架构就会获得新的设计空间。