AI加速器企业：Mythic——用模拟计算和存内计算挑战GPU的AI芯片公司
Mythic 是一家非常特别的美国 AI 加速器企业。
与 NVIDIA、AMD、Groq、Cerebras 等主要采用数字计算架构的 AI 芯片公司不同，Mythic 从创立之初就押注一条完全不同的技术路线：Analog Compute-in-Memory，也就是模拟存内计算。
它把神经网络的权重直接存放在 Flash Memory 中，同时利用这些存储单元完成矩阵乘法，从根本上减少传统处理器在计算单元和存储器之间反复搬运数据所产生的功耗。
Mythic 目前把自己的处理器称为 APU，也就是 Analog Processing Unit。公司宣称，新一代架构的目标是达到传统高端 GPU 系统约 100 倍的能源效率。
Mythic 成立于 2012 年，最初源自美国密歇根大学的研究项目，联合创始人包括 Dave Fick 和 Mike Henry。
两位创始人很早就开始研究一个今天已经成为 AI 芯片行业核心问题的问题：神经网络真正消耗大量能源的地方，可能并不只是乘法和加法，而是不断地把模型权重从存储器搬到处理器。
Mythic 因此尝试把“存储”和“计算”放到同一个物理结构中。
Mythic 是做什么的？
简单来说，Mythic 是一家开发 AI inference accelerator，也就是 AI 推理加速器的半导体公司。
传统计算机采用经典的冯·诺依曼结构。CPU、GPU 或其他处理器负责计算，而 DRAM、SRAM 等存储器负责保存数据。
处理器需要数据时，就从存储器读取；计算完成以后，又可能把结果重新写回存储器。
这种架构几十年来一直非常成功。
但是 AI 出现以后，一个问题变得越来越严重：神经网络可能拥有几十亿甚至几千亿个参数，大量模型权重必须不停地在 memory 和 compute units 之间移动。
矩阵乘法本身其实并不是唯一的能源消耗来源，大量数据移动同样需要电力。
Mythic 的基本思想非常直接：既然模型权重本来就在存储器里，为什么一定要把它们搬出来以后再计算？为什么不能直接在存储器里面完成计算？
这就是 Mythic 的 Analog Compute-in-Memory。
什么是模拟存内计算？
Mythic 的核心技术是把神经网络权重保存在 Flash Memory 的存储单元中，然后利用这些 Flash 单元本身的模拟电气特性完成矩阵计算。
传统数字处理器会把数字转换成二进制，然后利用大量 transistor 完成数字乘法和加法。
Mythic 则把神经网络权重表示为 Flash transistor 中保存的模拟值。当输入信号进入 memory array 后，大量乘法和累加操作可以同时发生。
换句话说：
传统 GPU 的基本思路是“把数据搬到计算单元”。
Mythic 的基本思路则是“让数据待在原来的地方，直接在那里计算”。
这种方法可以大幅减少 processor 和 memory 之间的数据移动。
Mythic 认为，AI 系统的大量功耗其实浪费在这种数据搬运上，因此 Compute-in-Memory 是未来降低 AI 功耗的一条重要路线。
Mythic ACE：真正完成模拟计算的核心
Mythic 最重要的底层技术之一叫做 Mythic Analog Compute Engine，也就是 ACE。
ACE 内部结合 Flash Memory Array 和模拟计算电路。模型权重直接储存在 Flash 中，而矩阵乘法直接在这些 memory array 内部执行。
传统 AI accelerator 通常需要：外部 DRAM → SRAM → MAC Array → SRAM → DRAM。
Mythic 希望把其中很多步骤压缩掉。权重直接留在 Flash 中，因此处理器不需要每进行一次矩阵运算，就把大量模型参数从外部 DRAM 搬进来。
这对于 AI inference 特别合适，因为推理阶段模型参数通常已经训练完成，不需要像训练阶段那样不断更新权重。
因此 Mythic 从一开始主要针对 inference，而不是大型 AI training。
M1076：Mythic早期代表性AI处理器
Mythic 最著名的早期商业产品之一是 M1076 Analog Matrix Processor。
M1076 集成 76 个 Mythic AMP Tiles，每一个 Tile 内部都有 Analog Compute Engine，同时配备数字处理系统，包括一个 32-bit RISC-V nano processor、16-bit SIMD vector processor、SRAM 和 Network-on-Chip router。
单颗 M1076 可以提供最高约 25 TOPS 的 AI inference 性能，并且能够在芯片内部保存大约 8000 万个神经网络权重。
更重要的是，它不需要外部 DRAM 保存模型参数。
运行典型复杂神经网络时，M1076 的功耗大约只有 3 到 4W。
这正是 Mythic 技术最吸引人的地方。
25 TOPS 本身并不是一个特别惊人的数字，但是如果可以在几瓦功耗下实现，而且不需要外部 DRAM，那么它在摄像头、机器人、无人机和嵌入式系统中的意义就完全不同。
M1：现在的第一代APU平台
随着 Mythic 最近重新调整产品战略，公司现在把其已经验证的第一代 Analog Processing Unit 平台称为 Mythic M1。
M1 提供约 25 TOPS AI inference 性能。独立芯片运行复杂工作负载时典型功耗约为 3 到 4W，而较轻的 AI workload 可以降低到约 1 到 2W。
Mythic 还提供基于 M1 的 M.2 模块，其中紧凑型 ME1 M.2 A+E Key Card 可以在不到 5W 的功耗下提供约 25 TOPS，面向 embedded edge AI。
公司目前表示，M1 已经在汽车、机器人、国防和 Edge AI 等领域完成实际验证。
一块PCIe卡可以达到100 TOPS
Mythic 过去还推出过 MP10304 Quad-AMP PCIe Card。
这块卡集成四颗 M1076，可以提供最高大约 100 TOPS AI 性能，同时保存最高约 3.2 亿个神经网络权重，而整块 PCIe 卡的典型功耗低于 25W。
它可以同时运行多个 DNN，也可以处理高清视频中的目标检测、图像分割、姿态估计等任务。
与一颗需要几十瓦甚至几百瓦功耗的 GPU 相比，这类产品最大的卖点显然不是绝对性能，而是 Performance per Watt。
为什么模拟计算特别适合AI？
例如一个非常简单的神经网络计算，本质上可以写成：输入 × 权重 → 输出。
如果网络拥有数百万甚至数十亿个参数，这种 multiply-and-accumulate 运算就需要重复执行非常多次。
数字 GPU 会使用大量 MAC Units 并行完成这些计算。
Mythic 的 Analog Compute Array 则可以利用电流、电压等物理特性，让大量矩阵运算在 memory array 内同时完成。
理论上，这种方法可以用远远少于传统数字计算的能源完成同样的 AI inference。
这也是为什么 Analog AI Computing 这些年重新得到关注。
AI 对矩阵计算的巨大需求，使几十年前看起来并不主流的模拟计算重新拥有了商业价值。
Mythic并不是完全模拟芯片
不过，Mythic 并不是简单地把整颗 AI 芯片全部做成模拟电路。
现代 Transformer、LLM、Computer Vision 和机器人系统还需要 attention、control logic、vector operations、image processing、SLAM、video codec 和大量其他计算。
因此 Mythic 的发展方向实际上是 Analog + Digital Hybrid Architecture。
模拟部分负责最消耗能源的大规模 dense matrix operations。
数字部分负责控制、编程以及不适合模拟计算的其他算法。
这也成为 Mythic 2026 年战略中越来越重要的一部分。
Mythic曾经差点倒闭
Mythic 的发展过程并不是一路顺利。
事实上，它是 AI 芯片行业中一个非常典型的“死里逃生”案例。
2021 年，Mythic 完成 7000 万美元 Series C 融资，当时累计融资已经达到大约 1.652 亿美元，投资者包括 BlackRock 和 Hewlett Packard Enterprise。
2022 年，公司一度出现严重资金问题并大规模缩减运营。
2023 年，Mythic 获得一笔约 1300 万美元的新融资，才得以继续运行。
当时联合创始人 Dave Fick 重新担任 CEO，公司重新集中资源开发下一代产品。
Mythic 却活了下来。
而且几年以后，它又重新进入大规模融资阶段。
NVIDIA汽车业务老将出任CEO
2024 年 6 月，Mythic 任命 Taner Ozcelik 担任 CEO。
Ozcelik 曾经在 NVIDIA 创建并领导汽车业务，也曾在 ON Semiconductor 和 Luminar Technologies 担任高级管理职位。
按照 Mythic 当前管理层信息，Taner Ozcelik 目前担任 Chairman & CEO，而联合创始人 Dave Fick 担任 CTO。
这次管理层调整也意味着 Mythic 的方向发生变化。
它不再只是做一个小型 Edge AI Accelerator，而开始试图把 Analog Compute-in-Memory 扩展到汽车、国防、机器人乃至 Data Center 和大型语言模型。
2025年获得1.25亿美元融资
2025 年 12 月，Mythic 宣布完成一轮 1.25 亿美元融资。
这一轮融资由 DCVC 领投，NEA、Atreides、Future Ventures、SBVA、S3 Ventures、Linse Capital、One Madison Group、Catapult 和 UDC 等机构参与。
更值得注意的是，Honda 和 Lockheed Martin 也参与了这一轮融资。
Mythic 把这一轮融资描述为公司完成“turnaround”以后重新扩大产品和市场的重要节点。
公司开始公开表示，它的 Analog Processing Unit 不仅要进入 Edge AI，而且准备挑战 Data Center AI inference。
Honda与Mythic联合开发汽车AI芯片
2026 年 2 月，Mythic 宣布与 Honda 建立联合开发合作。
Honda R&D 将获得 Mythic APU 技术授权，双方计划共同开发 automotive-grade AI SoC，用于 Honda 下一代 Software-Defined Vehicle。
按照双方公布的长期目标，这类汽车 AI 系统未来希望达到超过 100,000 TOPS 的计算能力，同时严格控制功耗。
计划部署时间大致指向 2020 年代末至 2030 年代初。
这对 Mythic 非常重要。
汽车未来确实可能成为 Analog Compute-in-Memory 最适合的市场之一，因为汽车需要越来越强的 AI，但是又无法像 Data Center 那样安装几千瓦甚至几十千瓦的 GPU 系统。
自动驾驶汽车同时还必须考虑散热、可靠性和电池续航。
因此 Performance per Watt 非常关键。
2026年收购Videantis
2026 年 5 月，Mythic 又完成了一笔非常重要的收购：收购德国处理器 IP 企业 Videantis。
Videantis 长期开发可编程数字处理器 IP，特别是在 Computer Vision、DSP、ADAS、video processing 和 automotive computing 等领域拥有技术积累。
这次收购实际上补上了 Mythic 架构的一块重要拼图。
Mythic 擅长的是 Analog Compute-in-Memory，可以非常高效地完成矩阵计算。
Videantis 擅长的是 programmable digital processing。
把两者组合起来以后：
Analog Compute 负责大规模矩阵运算，Digital Compute 负责复杂控制和可编程计算。
Mythic 因此正在从单纯的 Analog AI Accelerator 公司逐渐变成 Hybrid AI Computing Platform 企业。
Vanguard：下一代开始挑战GPU
Mythic 当前最值得关注的新产品之一叫做 Vanguard。
Vanguard 是公司下一代 Analog Processing Unit，预计 2027 年推出。
它采用 Hybrid Architecture，把 proprietary analog die 和 high-performance digital die 集成到统一平台。
Analog Die 专门负责 AI 中最消耗能源的大规模矩阵计算。
Digital Die 则负责 control、programmability 和其他 high-performance workload。
Vanguard 的目标已经明显不再局限于摄像头和传统 Edge AI，而是覆盖 LLM、Computer Vision 和 Enterprise AI。
这说明 Mythic 的目标正在发生一个巨大变化。
现在 Mythic 想做的是：从 Edge 一直扩展到 Data Center 的 Analog AI Computing Architecture。
从一颗Chiplet扩展到1024颗以上
Mythic 新架构采用 scalable chiplet 思路。
按照公司目前公布的技术路线，单个 Mythic chiplet 可以在大约 0.7W 功耗等级运行 Edge AI，而系统未来可以把 1,024 个甚至更多 chiplet 组合起来，用于 Enterprise LLM inference。
换句话说，小系统可以放在摄像头、无人机或者汽车里面。
大型系统则可以把大量相同架构组合起来挑战 GPU Server。
Mythic 希望利用这种方式建立“一个架构、一套软件，从 Edge 到 Enterprise”的平台。
当然，这些下一代大规模系统目前仍属于 Mythic 的发展路线和公司公布的性能目标，最终能否在真实数据中心中达到公司宣传的性能、功耗和成本优势，还需要未来量产产品和独立 benchmark 验证。
Mead：想把175B大模型塞进指甲大小的芯片
Mythic 还有一个更加激进的研发项目叫 Mead。
传统 Mythic 架构主要使用 NOR Flash，而 Mead 准备进一步使用 3D NAND。
现代 3D NAND 可以把数百层 memory vertically stack 在一起，因此单位面积可以保存远远更多的数据。
Mythic 希望利用这种巨大 memory density，让 Analog Compute-in-Memory 可以容纳超大型语言模型。
按照公司目前公布的研发目标，Mead 希望最终能够支持 100B+ 参数模型，甚至提出把大约 175B 参数规模模型放入接近“指甲大小”的芯片中，并把功耗控制在 1W 以下。
这是一个非常激进的目标，目前仍属于开发中的未来产品，并不是已经可以买到的量产芯片。
但它非常清楚地展示了 Mythic 的长期野心：
不仅要降低 Edge AI 功耗，还想重新定义大型语言模型的存储和计算方式。
Mythic最大的优势是什么？
Mythic 最大的优势不是拥有最多 TOPS，而是它尝试从物理层面解决 AI 计算最基础的问题之一——Memory Wall。
GPU 速度已经非常快，但是计算能力增长以后，模型数据如何快速送到 GPU，越来越成为瓶颈。
HBM3、HBM3E、HBM4 以及越来越宽的 memory bus，本质上都在解决类似问题。
但是 Mythic 提出了另外一种思路：既然搬数据这么昂贵，那就尽量不要搬。把模型权重存在可以直接计算的 memory array 中。
如果 Analog Compute-in-Memory 最终能够大规模量产，那么它可能在 Performance per Watt 和 memory bandwidth efficiency 方面拥有明显优势。
Mythic最大的风险是什么？
模拟计算同样不是没有缺点。
数字电路最大的优势就是精确、稳定、可复制。
一个数字“1”就是 1，一个数字“0”就是 0。
但是模拟电路会受到 temperature、process variation、electrical noise、device aging 和 manufacturing variation 等因素影响。
因此模拟 AI processor 必须解决精度、校准、一致性和大规模生产可靠性问题。
另外，现代 AI 模型变化非常快。
Transformer、Mixture-of-Experts、Attention、KV Cache 和各种新的算子不断出现。
一个过度针对 matrix multiplication 优化的架构，还必须拥有足够强的数字处理能力和软件工具，才能适应未来 AI。
这也是 Mythic 为什么开始采用 Analog + Digital Hybrid Architecture，并收购 Videantis 的重要原因之一。
Mythic和MemryX有什么不同？
Mythic 和 MemryX 都非常强调减少 AI 中的数据移动，但是两家公司采用的方法并不相同。
MemryX 主要采用 Pure Dataflow Architecture 和 At-Memory Computing，通过数据流方式让神经网络高效率地穿过计算引擎，并把存储尽可能靠近计算单元。
Mythic 则走得更进一步。
它直接利用 Flash Memory Array 完成模拟矩阵乘法。
因此 MemryX 的核心关键词是：Dataflow + Near-Memory Computing。
Mythic 的核心关键词则是：Analog + Compute-in-Memory。
两者都在挑战传统 CPU/GPU 架构，但是技术实现完全不同。
Mythic和d-Matrix也值得比较
如果要在现在的 AI 芯片企业中寻找与 Mythic 最接近的竞争路线，d-Matrix 是一个值得比较的公司。
两家公司都认为传统 GPU 的主要问题之一来自 memory movement，都希望通过 Compute-in-Memory 降低 AI inference 的功耗。
不过 d-Matrix 主要采用数字存内计算，而 Mythic 最鲜明的技术特色仍然是 Analog Compute-in-Memory。
因此这两家公司实际上代表两条不同路线：
Digital Compute-in-Memory。
和
Analog Compute-in-Memory。
谁能够最终实现更好的性能、功耗、精度、可编程性和量产成本平衡，是未来 AI accelerator 非常值得观察的技术竞争之一。
Mythic值得关注吗？
Mythic 是今天 AI Accelerator 行业里技术路线最特殊的公司之一。
很多 AI 芯片初创企业实际上是在做“另一种数字 NPU”。
Mythic 则从最底层重新思考了问题：
AI 为什么这么耗电？
它认为答案很大一部分并不是“计算太多”，而是“数据移动太多”。
于是 Mythic 选择让 memory 本身参与计算。
这是一条技术风险明显更高，但如果成功，潜在回报也非常大的路线。
更值得注意的是，Mythic 已经经历过一次非常严重的资金危机，却重新活了下来。
2025 年获得 1.25 亿美元融资以后，公司又在 2026 年与 Honda 建立下一代汽车 AI SoC 合作，并收购 Videantis，加强数字处理能力。
现在的 Mythic 已经不再只是当年那家做 25 TOPS 边缘 AI 芯片的公司。
它正在试图建立一套从 Edge AI、机器人、汽车和国防一直扩展到 Enterprise AI 和大型语言模型的 Analog + Digital Hybrid Computing Platform。
下一代 Vanguard 计划在 2027 年推出，而 Mead 则试图进一步利用 3D NAND 把 Analog Compute-in-Memory 推向百亿甚至千亿参数级大模型。
如果 NVIDIA 的路线是：越来越强的数字 GPU + 越来越快的 HBM。
那么 Mythic 的路线可以概括成：不要继续疯狂搬数据，让存储器自己参与计算。
最终哪一种路线能够胜出，目前还没有答案。
但在今天数十家 AI 加速器企业中，Mythic 无疑是技术理念最鲜明、经历最曲折，同时也是最值得长期观察的公司之一。