文章核心观点 - 北京大学团队成功研制出基于阻变存储器的高精度、可扩展模拟矩阵计算芯片，在全球范围内首次将模拟计算的相对误差从1%降低至千万分之一（10^-7），精度提升至24位定点精度，相当于数字计算的浮点32位（FP32）[1][7][12] - 该芯片采用模拟计算范式，利用物理定律直接进行计算，无需二进制编码和逻辑门操作，在能效和算力上相比数字计算有显著优势，能效提升百倍，算力吞吐量提升千倍[5][9] - 该技术可在28纳米及以上成熟制程量产，绕开先进光刻机限制，为应对AI算力与能耗挑战、降低对单一技术路径依赖提供了新的可能性[1][4][10] 技术原理与突破 - 计算范式：模拟计算是一种不同于当前主流数字计算（GPU/TPU/CPU/NPU）的范式，它通过物理定律直接对物理量进行运算，省去了数字计算中二进制编码和逻辑门操作的“翻译”环节，因此速度更快、能耗更低[3][5] - 精度突破：研究团队通过器件、电路和算法协同创新，将模拟计算的相对误差从1%量级大幅压降至千万分之一（10^-7）量级，解决了长期制约模拟计算应用的精度瓶颈，使其精度首次能够满足AI训练等高精度计算场景的刚性需求[7][9][12] - 核心创新：1) 器件层面，首次采用可量产的阻变存储器作为核心器件，形成“现代模拟计算”范式；2) 电路层面，设计全新反馈电路，在不显著增加能耗与延时的前提下实现高精度；3) 算法层面，引入迭代优化及“位切片”算法，高效实现高精度矩阵方程求解[9][15] 性能优势与比较 - 能效与算力：相较于数字计算，该模拟计算芯片能效提升百倍，算力吞吐量提升千倍[9] - 硬件效率：数字计算完成一次“1+1”需要28个晶体管，完成两个10位数的乘法需要约1万个晶体管，而模拟计算在电子尺度通过物理定律直接完成，硬件资源开销与能耗下降数个量级[3][5] - 工艺优势：芯片可在28纳米及以上成熟工艺节点量产，无需依赖最先进的制程和EUV光刻机，利用现有芯片生产线即可[1][9][22] 应用场景与前景 - 目标领域：芯片面向矩阵计算，是AI大模型训练（尤其二阶训练）、6G大规模MIMO、具身智能、超级计算（如气象预报、量子力学模拟）等前沿领域的核心运算的理想载体[1][9][10][20] - 当前阶段：目前处于实验室原理验证阶段，矩阵规模为16x16，更适用于中等规模场景，在小规模任务上性能优势不明显，尚未进行大规模应用[9][18] - 二阶训练潜力：当前主流AI训练为一阶方法，二阶方法迭代次数更少但计算量巨大，该技术擅长快速求解矩阵方程，理论上非常适合加速AI二阶训练[18][19] 发展路径与规划 - 规模扩展：团队计划在2年内将芯片阵列规模从16x16提升至128x128，并力争扩展至512x512，以达到在具身智能、6G通信等中等规模场景产生实际效用的水平[10][24] - 产业化路径：芯片制造流程与数字芯片相同，可委托现有代工厂生产流片，产业化路径清晰，但走向消费端仍需大量工程化、可靠性验证和商业推广工作[10][22][23] - 战略意义：该技术为中国算力发展提供了一条“换道超车”的可能性，有望降低对先进制程和英伟达GPU的单一依赖，团队在该赛道上处于全球领先位置，但距离真正“摆脱依赖”还有很长的路要走，需要持续投入进行技术储备[10][25] 技术载体与扩展性 - 核心载体：当前研究以阻变存储器为硬件载体实现高速、低功耗矩阵方程求解，但模拟计算的核心是数学到物理的映射，原则上其他非易失存储器（如相变、磁性、铁电存储器等）也可承载该电路[16][17] - 规模扩大逻辑：对于超算等需要求解“百万×百万”级别大规模矩阵方程的场景，可通过算法设计实现“以小博大”，例如用512x512的硬件求解1024x1024的方程[21]