AI加速器企业：EnCharge AI——用模拟存内计算把200 TOPS塞进约8瓦功耗
EnCharge AI 是一家美国 AI 加速器芯片企业，总部位于加利福尼亚州圣克拉拉，主要开发基于 Analog In-Memory Computing，也就是模拟存内计算 的人工智能处理器。
与 NVIDIA、AMD 等主要依靠数字 GPU 执行矩阵计算的公司不同，EnCharge AI 希望让神经网络最重要的矩阵乘法直接在存储阵列内部完成，从而同时减少计算本身和数据搬运产生的能源消耗。
公司目前的代表产品是 EN100 AI Accelerator，主要面向 AI PC、工作站、边缘服务器、工业 AI、机器人和国防等本地 AI inference 场景。
EnCharge AI 最值得关注的地方，并不是简单做了另外一颗 NPU，而是试图解决今天 AI 芯片越来越严重的一个基础问题：Memory Wall，也就是存储墙。
随着神经网络从几百万参数增长到几十亿、几百亿甚至更多参数，大量能源并不是消耗在乘法本身，而是消耗在不断把模型权重从 DRAM、HBM 或 SRAM 搬到计算单元。
EnCharge AI 的思路非常直接：如果数据搬运越来越昂贵，那就让数据尽量待在原来的地方，并直接在那里完成计算。
EnCharge AI来自普林斯顿大学
EnCharge AI 于 2022 年正式成立，但它背后的核心技术实际上已经研究了很多年。
公司技术源自美国普林斯顿大学电气与计算机工程教授 Naveen Verma 的研究团队，并获得过 DARPA 和美国国防部相关研究资金支持。
公司联合创始人包括 Naveen Verma、Kailash Gopalakrishnan 和 Echere Iroaga。
Naveen Verma 目前担任 CEO；Kailash Gopalakrishnan 曾是 IBM Fellow，并领导过 IBM AI Hardware and Software 相关工作。
这也是 EnCharge AI 与很多突然因为生成式 AI 热潮成立的芯片初创企业不同的地方。
它的模拟存内计算技术在公司正式成立之前已经经历多年大学研究、论文发表和多代测试芯片验证。
EnCharge 表示，其技术已经经历五代以上 silicon design，并在不同制程节点和更大规模架构上进行验证。
为什么AI越来越受Memory Wall限制？
传统 CPU、GPU 和大多数 NPU 基本都采用“存储”和“计算”分离的架构。
模型权重保存在 DRAM 或 HBM 中，运行神经网络时需要把数据读取到片上 SRAM，然后再送到 MAC Array、Tensor Core 或其他矩阵计算单元。
计算完成以后，中间结果又可能被写回 memory。
对于传统程序来说，这种方法已经非常成熟。
但是对于 AI 来说，一个模型可能包含数十亿个参数，同样的权重会被读取大量次数，因此 memory traffic 很容易成为能源和性能瓶颈。
NVIDIA 等公司目前主要通过越来越高速的 HBM、更宽的 memory bus 和更加复杂的封装解决这一问题。
EnCharge AI 则提出另一种方法：
不要只让 Memory 给 Compute 提供数据，而是让 Memory 本身参与 Compute。
这就是 In-Memory Computing。
EnCharge AI采用Analog In-Memory Computing
存内计算本身并不是 EnCharge AI 首创。学术界和半导体行业已经研究很多年。
真正特殊的是 EnCharge AI 使用的实现方式。
很多模拟 AI 芯片使用 RRAM、Memristor 或其他电阻型存储器，通过电导和电流完成模拟矩阵乘法。
这种方法理论效率非常高，但存在一个长期问题：模拟电流容易受到噪声和器件变化影响。
同样两个存储单元，即使写入同样的值，实际电阻也可能存在差异，而且还可能受到温度、制造工艺和老化影响。
当大量模拟计算累加以后，这些误差也可能被放大。
这正是 Analog AI 多年来很难真正大规模商业化的重要原因之一。
EnCharge AI不用电阻，而是用电容
EnCharge AI 的关键创新是 Charge-Domain Computing，也就是电荷域计算。
它不主要依赖容易产生较大变化的电阻或 memristor，而是利用 CMOS 工艺中非常成熟的 metal capacitor，金属电容。
电容有一个非常重要的优势：它的 capacitance 很大程度取决于芯片内部导体的几何尺寸。
而几何尺寸恰恰是现代半导体制造最擅长精确控制的东西。
换句话说，Mythic 等模拟 AI 架构更多利用 Flash 或其他器件的模拟状态，而 EnCharge AI 试图利用 CMOS 中已经非常成熟、非常稳定的 capacitor 来完成模拟矩阵计算。
Naveen Verma 团队认为，这可以大幅降低传统 Analog Compute 所面临的 noise 和 precision 问题。
IEEE Spectrum 在介绍 EN100 时也特别指出，EnCharge 的核心区别在于使用 switched capacitors 进行 charge-domain multiplication 和 accumulation。
模型权重并不是简单存在模拟电容里
这里还有一个很容易误解的地方。
EnCharge AI 并不是简单地把整个神经网络权重全部作为模拟电荷永久保存在 capacitor 中。
按照 EN100 架构公开资料，模型权重仍然存放在数字 memory cells 中，每一个存储单元与 capacitor 以及相关计算电路结合。
输入数据与权重完成乘法以后，结果以 charge 的形式在 capacitor network 中进行累加，最后再转换回数字结果。
因此 EnCharge AI 实际上是一种非常典型的：
Digital Memory + Analog Compute + Digital Control 混合式架构。
这种设计试图同时获得数字存储的稳定性和模拟矩阵运算的高能源效率。
EN100：EnCharge AI第一款商业AI加速器
2025 年 5 月，EnCharge AI 正式公布第一款商业 AI accelerator——EN100。
EN100 主要针对 On-Device AI，也就是把以前需要发送到 Cloud Data Center 的 AI inference 放到笔记本电脑、工作站和边缘设备本地运行。
公司公布的 EN100 单芯片计算能力超过 200 TOPS。
EN100 的定位非常明确：
它不是一颗专门与 NVIDIA B200 或大型训练 GPU 正面对抗的数据中心 training processor。
它首先解决的是：
怎样在十瓦左右甚至更低的功耗范围内，让本地设备运行真正有意义的大型 AI 模型。
这正好对应现在快速发展的 AI PC、Local LLM 和 AI Agent 市场。
200 TOPS，大约8.25瓦
EN100 最引人注目的数字，是性能和功耗的组合。
单颗 EN100 配置在 M.2 2280 加速模块上，公司公布的性能超过 200 TOPS INT8，整个模块功耗大约 8.25W，并配备 32GB LPDDR memory。
这种功耗等级非常重要。
一颗大型 GPU 可能需要数百瓦，而笔记本电脑显然无法长期给独立 AI accelerator 提供几百瓦电力。
但如果一块 M.2 AI accelerator 只需要大约 8W，那么它就可以像 SSD 或其他低功耗模块一样进入普通 PC 和嵌入式设备。
这也是 EnCharge AI 当前最重要的市场切入点。
四颗EN100可以达到约1 PetaOPS
EnCharge AI 还设计了更高性能的 PCIe 产品。
按照公司和 IEEE Spectrum 公布的信息，四颗 EN100 可以组成一块面向 workstation 和 edge server 的 PCIe accelerator card。
这种配置可以达到大约 1 PetaOPS 的 INT8 峰值计算能力，并配置最高 128GB LPDDR memory，累计内存带宽约 272GB/s，而整个加速卡的功耗大约在 40W 级别。
如果最终实际应用性能能够接近这些数字，那么这种产品就非常适合需要本地运行 LLM、Vision-Language Model、多模态 AI 和企业 AI Agent 的系统。
特别是那些不愿意把敏感数据发送到云端的企业。
为什么本地AI越来越重要？
今天绝大部分大型 AI 仍然运行在 Data Center。
用户输入一个问题以后：
设备 → Internet → Cloud → GPU → Internet → 用户。
这种方式最大的优势是终端设备不需要很强的计算能力。
但它也存在几个越来越明显的问题。
首先是成本。每一次 AI inference 都需要服务器、GPU、电力和网络资源。
其次是 latency。如果机器人、汽车或者工业机器需要立即做出决定，就不能等待远程服务器。
第三是 privacy。企业文件、医疗数据、个人照片、代码以及商业机密如果都发送到 Cloud，就会产生隐私和监管问题。
第四是网络依赖。很多工业、国防、航空和移动系统根本无法保证一直连接高速互联网。
因此 EnCharge AI 押注的是这样一个趋势：越来越多 AI inference 将从 Cloud 回到 Local Device。
AI PC可能是EN100最直接的市场
微软、Intel、AMD、Qualcomm 和 Apple 都在推动 AI PC。
但是目前 PC 内置 NPU 的算力仍然受到芯片面积和功耗限制。
如果用户需要运行更大的 LLM、图像生成、实时视频 AI、AI Agent 或多个模型同时工作，仅靠 CPU 内部的小型 NPU可能很快不够。
EnCharge 的思路相当于在 PC 里面加入一个“专用 AI SSD”。
通过标准 M.2 接口提供额外 AI 算力，而不需要安装一张功耗很高的大型 GPU。
这可能成为 EN100 最容易理解的商业模式。
不只是PC，还面向工业和机器人
EnCharge AI 最初的目标市场其实并不是消费 PC，而是 Edge AI。
典型应用包括智能制造、机器人、智能仓库、物流、智能零售、汽车感知、无人机以及其他需要持续运行 AI 的设备。
这些系统有一个共同特点：AI 必须一直运行。
如果一个工业机器人每天运行 24 小时，那么一颗 10W accelerator 和一颗 100W accelerator 之间的差别非常巨大。
它不仅影响电费，还会影响散热器、风扇、电源、机箱尺寸和系统可靠性。
因此 Energy Efficiency 对 Edge AI 的意义甚至可能比 Data Center 更大。
国防也是EnCharge AI的重要方向
EnCharge AI 还获得了美国国防和航空航天领域的明显关注。
公司的技术研究早期就得到过 DARPA 和美国国防部支持，投资者中还包括与美国国家安全领域关系密切的 In-Q-Tel，以及 RTX Ventures。
2026 年，公司仍然持续强调 Tactical Edge AI，也就是在战场、无人平台、航空设备以及无法依赖大型 Data Center 的环境中提供本地 AI。
这种市场特别适合低功耗 AI accelerator。
因为在无人机、飞机、机器人或者野外设备中，SWaP——Size、Weight and Power，也就是尺寸、重量和功耗——往往是非常严格的限制。
EnCharge AI不仅想做Edge
虽然公司最初强调 Edge AI，但 EnCharge AI 现在已经把战略扩展为：Edge-to-Cloud。
公司目前公开的长期产品路线包括 chiplet、ASIC 和标准 PCIe card，希望让同一套 Analog In-Memory Computing 技术覆盖从终端设备、PC、边缘服务器一直到更大型 AI infrastructure。
这与 Mythic 最近的发展非常相似。
很多模拟 AI 公司最初都是从 Edge 开始，因为低功耗优势在那里最容易体现。
但是随着 LLM inference 的电力成本越来越高，它们都开始向更大型 AI 系统扩展。
软件生态同样重要
模拟计算芯片真正商业化最大的挑战之一不是 hardware，而是 software。
因此 EnCharge AI 同样建立了完整的软件工具链，包括模型转换、quantization、compiler、runtime、firmware 和 workload mapping。
EN100 可以把适合模拟阵列运行的 INT8、INT4 矩阵计算映射到 Analog Compute Engine，而更高精度或者不适合模拟执行的 operator 可以交给数字计算单元处理。
这也是为什么 EnCharge AI 不应该简单理解为“模拟计算器”。
它实际上是一套：
Analog Accelerator + Digital Processor + Memory + Compiler + Runtime 组成的完整 AI computing platform。
2022年完成2170万美元Series A
EnCharge AI 在 2022 年正式推出公司时，同时宣布完成 2170 万美元 Series A 融资。
这一轮融资由 Anzu Partners 领投，AlleyCorp、Scout Ventures、Silicon Catalyst Angels、E14 Fund 等机构参与。
资金主要用于把已经在 Princeton 研究多年的模拟存内计算技术进一步商业化。
对于当时的 EnCharge AI 来说，最重要的不是证明 Analog Computing 理论可行，因为研究团队已经拥有多代 test chip。
真正的问题是：能不能把实验室技术变成一颗普通客户能够使用的产品。
2025年融资超过1亿美元
2025 年 2 月，EnCharge AI 又完成了一轮非常重要的 Series B 融资。
这一轮融资规模超过 1 亿美元，由 Tiger Global 领投。
完成融资以后，EnCharge AI 公布的累计融资已经超过 1.44 亿美元。
参与投资的机构非常值得注意。
除了 Tiger Global，还包括 Samsung Ventures、RTX Ventures、In-Q-Tel、Constellation Technology Ventures、Anzu Partners、Scout Ventures、Maverick Silicon 等投资者。
这些投资者覆盖半导体、国防、能源和国家安全领域。
这说明 EnCharge AI 的应用范围已经明显超过单纯的消费电子。
TSMC负责制造
EnCharge AI 并不自己拥有晶圆厂。
公司采用典型 Fabless Semiconductor 模式，芯片设计由 EnCharge 完成，然后交给晶圆代工厂制造。
CEO Naveen Verma 已经公开表示，公司长期与 TSMC 合作，第一代商业芯片也由台积电相关制造体系完成。
EN100 使用成熟 CMOS 制造技术，而不是必须依赖某种尚未成熟的新型 memristor 材料，这是 EnCharge AI 商业化路线非常重要的一点。
因为如果一种 AI architecture 必须等待一种全新 memory technology 成熟，它可能需要很多年才能真正量产。
EnCharge AI 则试图利用现有 semiconductor supply chain。
EnCharge AI和Mythic有什么不同？
EnCharge AI 和 Mythic 都属于 Analog Compute-in-Memory AI 公司，因此两者非常值得放在一起比较。
但是它们使用模拟计算的方法完全不同。
Mythic 的核心是：Flash Memory + Analog Compute-in-Memory。
神经网络权重与 Flash memory array 紧密结合，并利用模拟方式完成矩阵计算。
EnCharge AI 的核心则是：Digital Memory + Capacitor-Based Charge-Domain Analog Compute。
EnCharge 特别强调 precision capacitor 和 switched-capacitor computing，希望解决传统 Analog AI 最令人头疼的噪声问题。
简单来说：
Mythic 更强调 Flash 本身参与计算。
EnCharge 更强调 利用电容中的 charge 完成精确模拟运算。
两者都希望解决 Memory Wall，但采用了不同物理机制。
EnCharge AI和Rain AI更不一样
Rain AI 目前已经从早期 analog neuromorphic architecture 转向：Digital In-Memory Computing。
EnCharge AI 则仍然坚持：Analog In-Memory Computing。
Rain AI 认为数字存内计算更容易保证 accuracy、programmability 和制造稳定性。
EnCharge AI 则认为，通过 capacitor-based charge-domain computing，可以解决传统 Analog Computing 的精度问题，同时保留模拟计算巨大的能源效率优势。
因此 Rain AI 和 EnCharge AI 实际上代表了 Compute-in-Memory 的两条路线：
Digital CIM。
和
Analog CIM。
EnCharge AI和d-Matrix也值得比较
d-Matrix 同样专注 Generative AI 和 Compute-in-Memory。
但 d-Matrix 采用的是：Digital In-Memory Computing。
其重点市场已经明显进入 Data Center Generative AI inference。
EnCharge AI 则采用：Analog In-Memory Computing。
当前第一款 EN100 更侧重 AI PC、Workstation 和 Edge Device，但长期路线同样向 Edge-to-Cloud 扩展。
如果未来 AI 计算越来越受到电力限制，那么这种 Digital CIM 与 Analog CIM 的竞争很可能成为 AI accelerator 行业非常重要的一条技术主线。
200 TOPS和20倍能效需要怎么看？
这里必须特别说明一点。
EnCharge AI 官方声称，其技术可以实现大约 20倍更高 TOPS/W、9倍更高 Compute Density，以及显著降低整体 AI inference 成本。
公司同时公布 EN100 可以提供 200+ TOPS，而 M.2 产品功耗大约为 8.25W。
这些数字非常漂亮。
但是截至 2026 年，目前公开资料中的 EN100 性能数据仍然主要来自 EnCharge AI 自己公布的数据。
因此在评价时应该区分：
芯片架构和 silicon 已经真实存在。
与：
公司公布的所有性能优势已经得到大规模独立 benchmark 验证。
这是两件不同的事情。
Analog AI 是一个非常复杂的领域，不同 precision、model、sparsity 和 workload 都可能产生完全不同的性能。
所以真正决定 EN100 是否成功的，不是 PPT 上的 200 TOPS，而是未来真实客户运行 LLM、Vision Model 和 AI Agent 时的 tokens/s、latency、accuracy 和 power。
EN100目前仍处于早期商业化阶段
EN100 已经在 2025 年正式发布，并开放 Early Access Program。
首轮 Early Access 很快满员，公司随后继续推进第二轮开发者和 OEM 测试。
因此 EnCharge AI 与那些只有论文和 prototype 的 Analog AI startup 已经明显不同。
它已经拥有商业产品、模块、软件栈和客户试用计划。
但它同样还没有达到 NVIDIA、AMD、Qualcomm 那种大规模公开量产和完整生态阶段。
截至 2026 年，判断 EN100 最合适的说法应该是：
已经进入商业化，但仍然处于市场导入早期。
EnCharge AI最大的优势
EnCharge AI 最大的优势可以概括成一句话：它试图让模拟计算真正变得可制造、可编程、可扩展。
Analog AI 理论上拥有非常高的效率，这已经不是新概念。
真正的问题一直是：模拟电路太容易受到噪声影响。
EnCharge AI 使用 capacitor-based charge-domain computing，就是试图解决这个问题。
如果这一技术最终可以稳定量产，那么它可能同时拥有：
低数据搬运、高 TOPS/W、较高计算密度、低功耗和本地 AI 推理能力。
这对于 AI PC、机器人、汽车、工业和国防都有明显吸引力。
EnCharge AI最大的风险
最大的风险仍然是 Analog Computing 本身。
任何模拟计算架构都必须处理 precision、noise、temperature、process variation、calibration 和 model compatibility。
第二个风险是软件生态。
NVIDIA 最大的护城河并不只是 GPU，而是 CUDA。
EnCharge AI 即使拥有非常高的 TOPS/W，如果开发者无法简单地把 PyTorch、TensorFlow、ONNX 和 Hugging Face 模型部署上去，客户依然不会采用。
第三个风险是 AI 模型变化速度。
今天是 Transformer，明天可能是 Mixture-of-Experts、State Space Model 或者新的 architecture。
因此 EN100 不仅需要高效，还必须足够 programmable。
第四个风险是规模。
制造一颗 200 TOPS accelerator 和建立一个可以持续销售数百万颗芯片的生态完全是两回事。
EnCharge AI值得关注吗？
EnCharge AI 是目前 AI Accelerator 行业里非常值得关注的一家公司。
原因不是它宣称自己比 GPU 快多少，而是它选择了一条非常基础的技术路线：
重新设计 Memory 和 Compute 之间的关系。
传统 AI processor 的发展方式是：
更多 MAC。
更多 Tensor Core。
更多 HBM。
更宽 Memory Bus。
更高功耗。
EnCharge AI 则试图从另一个方向解决问题：
减少数据搬运，并利用物理电荷直接完成矩阵运算。
这和 Mythic、Rain AI、d-Matrix、MemryX 等企业一样，都说明 AI 芯片行业正在重新思考传统冯·诺依曼架构。
截至 2026 年，EnCharge AI 已经拥有超过 1.44 亿美元累计融资、来自 Princeton 和 DARPA 研究体系的技术基础，并正式推出了 EN100 模拟存内计算 AI accelerator。
公司目前的战略也已经从最初的 Edge AI 扩展到 AI PC、Workstation、机器人、工业、国防和更长期的 Edge-to-Cloud 平台。
它最终能否真正成为主流 AI accelerator，还需要未来几年的量产和客户验证。
但是从架构创新角度来看，EnCharge AI 已经是今天模拟 AI 芯片领域最值得观察的企业之一。
如果把 NVIDIA 的路线概括为：把计算芯片和HBM做得越来越强。
那么 EnCharge AI 的路线可以概括为：不要不停搬数据，让存储阵列直接参与计算。
而 EnCharge AI 真正独特的地方则是：
不用容易产生噪声的传统模拟器件，而是用成熟 CMOS 中的精密电容和电荷完成 AI 矩阵运算。
如果这条路线最终证明可以大规模量产，它可能成为解决未来 AI 能耗问题的一种非常重要的架构。