塔斯娱乐资讯网

不靠 0 和 1 也能算:模拟计算芯片凭啥快上百倍

每天 3 分钟,get 一个手机 / 电脑 / 数码干货

不靠 0 和 1 也能算:模拟计算芯片凭啥快上百倍
编者按:11 月 15 日,一家叫安纳智芯的公司宣布,自研的 AX100 芯片在 10 月完成流片,用「模拟计算」的方式解一次矩阵方程不到 100 纳秒、功耗约 80 毫瓦。这条新闻里反直觉的不是数字,而是思路:它不靠 billions 次的 0 和 1 迭代,而是让电路「自己算」。这篇只讲一件事——模拟计算为什么能又快又省电,以及它离真正用起来还有多远。看完你能分清楚「模拟器件的模拟」和「数字芯片的算」到底差在哪,也不会被「快上百倍」这类标题带跑。
▍一、先只讲一件事:AI 底层在反复解一道题
先把要解的题摆出来。大模型训练时的参数优化、机器人动作控制与空间规划、通信基站的信号处理,剥开外壳,底层都在反复解矩阵方程——可以把它理解成一大组联立的线性方程,未知数排成方阵,要求出满足所有条件的那组解。数字芯片的做法是把「求解」拆成海量乘加运算,一步步迭代逼近答案,计算量随矩阵规模呈立方级增长。科技日报的报道给了一个直观例子:512 阶矩阵方程大约需要 5 亿次乘加,耗时数十到上百微秒。当这类运算被 AI 以极大规模块反复调用,时间和电费就都跟着往上堆。这就引出这篇的核心问题:有没有办法不靠一步步迭代,直接得到答案?模拟计算给出的回答是——有,用物理定律直接算。
▍二、数字与模拟:一个用算盘,一个用秤
把两种路线放一起,差别就很直观。数字计算像用算盘做加法:每一步都得拨珠、进位、记中间结果,步骤清楚、精度可控,但步骤多了就慢、就费能量——这就是「乘加迭代」的本质。模拟计算更像用秤称重量:把待测物体放上去,指针自己偏到平衡位置,你直接读刻度,中间不需要一步步算。AX100 走的是后一条路。据安纳智芯 CEO 向锐介绍,矩阵方程被直接映射成电路,电路接通后在物理规律作用下自行趋于平衡,平衡后一次读出结果,无需迭代。因为「达到平衡」这件事是电路自己完成的,速度由物理响应速度决定,而不是由执行了多少条指令决定,所以延时能压到很低、功耗也小。更准确地说,这不是「算得更快」这么简单,而是换了一套计算的物理载体:数字芯片用电压高低代表 0 和 1 逐步运算,模拟芯片用连续的电压、电流直接表征数值并让电路自平衡。明白了这一点,「<100 80 纳秒、约 毫瓦」这两个数字才有落点。 提示:文中性能数字来自团队自测、为芯片研发方披露口径,报道同时说明「符合理论仿真与设计预期」;芯片已流片但未经第三方验证、未量产,读数字时要带上这个前提。
▍三、为什么难了这么多年:精度这道坎
既然思路这么巧,为什么模拟计算没有早就普及?卡点在一个字:准。模拟电路用连续量表示数值,天生容易受噪声、温度、器件误差影响,精度长期卡在百分之一量级,做不了需要高精度的通用计算。转机出现在 2025 年 10 月:北京大学人工智能研究院孙仲团队在《自然·电子学》发文,把模拟计算的精度从此前的百分之一量级提升到千万分之一量级,当时有学者评价这项研究「复活」了模拟计算这个长期被忽略的领域。论文发表约一年后,安纳智芯把相关技术从实验室推向产线,做出 AX100。这是理解这条新闻的关键背景:AX100 的意义不只是一个芯片产品,而是把一项刚跨过精度门槛的技术往前推了一步——从论文走向流片。不过也要如实说明,精度刚被压下去、进产线的时间更短,稳定性和规模化仍是待解的题目。


▍四、三个场景跑出的数字,怎么读
报道里给了三个测试场景的数字,逐条看才不会被倍率晃到。其一,大模型训练:在 293 万参数的 Autoencoder 与 272 万参数的 Transformer 模型上,所用的二阶优化方案让两类模型的训练更新消耗分别减少 92% 和 56%。其二,具身智能:运动控制与规划端到端算法提速 150% 到 500%,三维重建与 SLAM(实时定位建图)核心环节提速 200% 到 500%。其三,无线通信:对 128×128 规模的信道格拉姆矩阵,相比现有数字 ASIC 芯片与 GPU,等效吞吐提升 20 至 207 倍、等效能效提升 27.6 至 61.3 倍。这些数字很亮眼,但读的时候要带上三句话的前提:一是团队自测,不是第三方评测;二是特定场景,换一个矩阵规模或任务,倍率会变;三是「等效」口径,比较基准与测试条件由研发方设定。换句话说,它们证明了「这条路走得通」,还不等于「所有任务都能快这么多」。把倍率放回具体场景,才是诚实的读法。
▍五、不追先进制程,意义在哪
这条新闻里还有一点值得单独拎出来:AX100 的制造不依赖先进制程,用当前成熟工艺就能实现全链路自主可控。这件事的分量,放在算力受限的现实里才看得清。过去几年,提升算力的主要路径是往更先进制程走,但先进制程的门槛越来越高;模拟计算换了一条物理路线——不去追纳米数,而是通过改变计算方式本身把功耗与延时压下来。向锐把它称作芯片领域的「开道超车」,并认为这是中国企业有机会参与定义一种计算范式的时刻。这类表述属于研发方的判断,本篇只作转述。对普通读者来说,值得记住的是:算力提升不一定只有「制程更小」一条路,架构与计算范式的改变,有时能带来另一条曲线。这也呼应了一个 broader 的事实:在 AI 算力需求暴涨、能耗受关注的当下,怎么「省着算」正变得和「算得快」一样重要。
▍六、安全补刀:从流片到量产,还隔着几道坎
这里得给个明确的边界,别把「流片成功」读成「马上能用」。其一,流片不等于量产:报道写明芯片目前只是完成流片,从流片到稳定出货,中间的良率、可靠性与成本账都还没跑通。其二,自测数据虽「符合设计预期」,但没有第三方独立验证,也没有完整的公开测试条件。其三,精度刚从论文走向产线一年左右,长期稳定性与不同环境下的表现仍需观察。其四,模拟计算并非通用替代——它擅长矩阵求解这类特定任务,通用逻辑运算仍离不开数字芯片,更可能的形态是和数字芯片配合,各干各擅长的事。这几个「更准确地说」的补刀挺重要:它能帮你把实验室突破和货架产品分开读,也能理解为什么研发方自己都说「离大规模量产和第三方验证还有距离」。
小结:模拟计算的思路是把方程映射成电路、让物理定律直接求解,因而延时低、功耗小;AX100 的意义在于把刚跨过精度门槛的技术推向流片,而它离量产、第三方验证和规模化应用仍有距离,快上百倍是特定场景的自测口径,不是通用结论。
▍七、给一条能直接用的判断标准
以后再看到「模拟计算芯片」或「快上百倍」这类消息,可以用一条清单来读。先看是不是流片——流片、回片、送样、量产是完全不同的阶段,标题常常混着写。再看谁测的——研发方自测与第三方验证分量不同,有没有公开测试条件是硬指标。第三看场景——是矩阵求解、图像处理这类特定任务,还是通用计算,倍率只在特定场景成立。第四看制程与成本——不依赖先进制程是优势,但良率与封装成本同样是账。第五看它想替代什么——多数时候模拟计算不是取代数字芯片,而是作为协处理器补位。理解这五条,你再看到「国产芯片换道超车」的标题,就能问出对的问题:跑到哪一步了、谁验的、在什么任务上快。技术突破值得高兴,但把它放回阶段坐标里,才是既支持又清醒的态度。你更看好这类省电的专用芯片先落地在手机、机房,还是工厂里的机器人?
本篇信息来自科技日报 11 月 15 日关于安纳智芯 AX100 的报道、腾讯新闻与环球时报英文版同日转述、北京大学团队 2025 年 10 月《自然·电子学》论文相关公开报道(2026-11-16 整理);芯片已流片、性能为团队自测口径,未经第三方验证、未量产;文内配图为概念示意,非官方产品照,本篇不作主观研判。
数据来源:科技日报 11 月 15 日关于安纳智芯 AX100 的报道、腾讯新闻与环球时报英文版同日转述、北京大学团队 2025 年 10 月《自然·电子学》论文相关公开报道(2026-11-16 整理);芯片已流片、性能为团队自测口径,未经第三方验证、未量产,本篇不作主观研判。
点赞 | 收藏 | 转发 | 留言
模拟计算#AX100#矩阵方程#安纳智芯#芯片科普#并行计算