Weebit Nano 正式发布 Matrix 存内计算研究计划，对外向高校、产业科研团队开放基于 ReRAM 阻变存储器的硬件开发套件，用来实测内存里直接跑 AI 计算的方案，这套计划核心就是解决传统 AI 芯片 “内存墙” 痛点，也就是处理器和内存之间来回搬运数据带来高功耗、高延迟的问题，和纯软件仿真不一样，科研人员拿到的是真实硅片硬件，32×32 的 ReRAM 交叉阵列，一共 1024 个存储单元，可以直接做矩阵向量乘法、卷积、脉冲神经网络这类 AI 基础算子验证，目标场景偏向边缘端、IoT 设备的 AI 推理，现阶段只是科研原型平台，不是可以直接量产的商用 AI 芯片，参与研究的团队还需要把测试数据反馈给 Weebit Nano，一起迭代这套存算一体技术。
一、Matrix 两套硬件平台对比
| 版本 | 定位 | 适合的研究方向 |
|---|---|---|
| Matrix IMC Evaluation 版 | 器件级调试 | 直接访问模拟信号，做 ReRAM 单元电学特性、阻态测试、底层器件表征 |
| Matrix IMC Quick-Start 版 | 系统级快速上手 | 自带 FPGA 控制器，配套示例代码，快速跑神经网络推理、矩阵运算实验 |
二、这套硬件平台包含物料清单
- 32×32 规格 ReRAM 交叉阵列芯片（1T1R 结构）
- 配套插座开发板
- FPGA 控制模块
- 参考样例代码、技术文档、测试工具包
三、Matrix 研究计划支持的实验方向清单
- 矩阵向量乘法、乘累加 MAC 运算，神经网络最核心基础计算
- CNN 卷积运算，图像识别、机器视觉相关 AI 推理
- 脉冲神经网络 SNN，类脑、神经形态计算研究
- ReRAM 多阻态编程方案、器件稳定性测试
- 存内模拟计算精度、噪声、误差补偿方案研究
- 边缘低功耗 AI 架构对比基准测试
四、存内 AI 计算相比传统架构的优势
- 不用反复搬运权重数据，算力直接在存储阵列内部完成，大幅降低数据搬运功耗
- 适合边缘端、物联网设备，对电池供电、低功耗场景友好
- 并行度高，一次阵列操作可以同时完成大量乘累加
- 基于非易失 ReRAM，断电之后权重数据不会丢失，不需要频繁刷新
五、当前技术的局限与风险
- 属于科研原型，仅限研究使用，没有商用授权，不能直接做成产品出货
- 模拟计算存在器件噪声、精度损失问题，对模型精度有影响
- 32×32 阵列规模偏小，只能做小模型验证，距离大模型还有很大差距
- 阵列外围模数转换电路会带来额外开销，实际整机能效提升会低于理论仿真值
- 标准化、良率、一致性还有待持续验证，距离大规模商业化还有很长周期
六、实战总结
Weebit Nano Matrix 研究计划本质是开放 ReRAM 存内计算硬件实验平台，让科研人员跳出仿真，在真实硅片上验证内存中的 AI 计算方案，主打边缘 AI 推理场景。它的核心价值是搭建一个开放生态，收集学术界和工业界的测试反馈，打磨 ReRAM 存算一体技术；大家要分清，这是科研验证项目，不是已经落地的 AI 加速芯片，后续重点跟踪阵列规模扩容、计算精度优化、外围电路方案迭代进度。
【相关 FAQ】
问题 1：Weebit Nano 推出 Matrix 研究计划测试内存中的 AI 计算，Matrix 平台用的是什么存储器件？
回答 1：Matrix 存内计算平台基于 Weebit Nano 的 ReRAM 阻变存储器（OxRAM 氧化铪基忆阻器），核心是 32×32 的 ReRAM 交叉阵列，用来实现内存内的模拟 AI 计算。
问题 2：Weebit Nano 推出 Matrix 研究计划测试内存中的 AI 计算，Matrix 硬件平台能不能直接拿来做商用 AI 产品？
回答 2：不可以，Matrix 套件仅限学术和产业科研原型验证，没有商用授权，只是研究测试平台，不是成熟商用芯片，不能直接用于量产产品。
问题 3：Weebit Nano 推出 Matrix 研究计划测试内存中的 AI 计算，存内 AI 计算主要解决什么痛点？
回答 3：主要解决传统 AI 架构的内存墙问题，传统方案需要在处理器和内存之间反复搬运模型权重，消耗大量功耗并带来延迟；存内计算直接在存储阵列内部完成乘累加，减少数据搬运，适合边缘 AI 推理。
问题 4：Weebit Nano 推出 Matrix 研究计划测试内存中的 AI 计算，Matrix 平台阵列规模是多大？
回答 4：Matrix 平台核心阵列是 32 行 ×32 列，一共 1024 个独立可选择的 ReRAM 单元，支持矩阵向量运算、卷积、脉冲神经网络等 AI 相关实验。
问题 5：Weebit Nano 推出 Matrix 研究计划测试内存中的 AI 计算，哪些团队可以申请参与 Matrix 研究计划？
回答 5：高校科研团队、产业研发机构都可以申请参与 Matrix 研究计划，拿到硬件开发套件开展存内 AI 计算实验，同时需要向 Weebit Nano 反馈实验结果和技术意见。
【参考资料】
[2026-11-10]（Weebit Nano launches Matrix research program to test AI computing inside memory）SemiWiki
[2026-11-07]（The Future of Edge AI? Inside Weebit Nano’s 1,024-Cell In-Memory Computing Platform）1950.ai
[2026-11-04]（Weebit Nano launches Weebit Matrix™ In-Memory Compute Research Program）Weebit Nano 官方新闻稿
[2026-11-04]（Weebit Nano opens ReRAM silicon to researchers exploring in-memory AI）Jon Peddie Research
[2026-11-04]（Weebit Nano Launches Matrix ReRAM Research Program for In-Memory AI Computing）Unite.AI
【免责声明】
本文仅为 Weebit Nano Matrix 存内 AI 计算研究计划资讯科普，该平台为科研原型，相关能效数据为理论仿真与小规模测试结果，不代表大规模商用指标；ReRAM 存算一体技术仍处于早期研发阶段，技术落地、良率、精度均存在不确定性，本文不构成芯片选型、研发投入的参考建议。