随着AI时代的来临，算力集群规模正在逐步扩大，从万卡向更高的层次升级。在这个背景下，一支中国团队由北京大学人工智能研究院/集成电路学院的教授们领导，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。这一突破在全球范围内首次将模拟计算的精度提升至24位定点精度，预示着未来同等任务下使用更少的计算卡成为可能。
这支团队的创新成果，打破了传统商用量产芯片的局限，计算精度从1%跃升至千万分之一，支持6G、具身智能及AI大模型训练等多个前沿场景。更为重要的是，这种新型芯片可以在28纳米及以上成熟工艺中量产，有效地绕开了光刻机的限制。
对于AI领域来说，算力与能耗的挑战一直是制约其发展的关键因素。随着摩尔定律的逐渐失效，数字计算的能耗问题愈发突出，GPU等传统数字计算芯片的优势正在逐渐减弱。而此次新型模拟计算芯片的研制成功，为应对这一挑战提供了新的思路。
模拟计算与数字计算是两种截然不同的计算范式。数字计算需要经过编码、处理、翻译等环节，计算过程繁琐且能耗较高。而模拟计算则直接对物理量进行计算，省去了中间环节，计算速度更快、能耗更低。此次新型芯片的成功研制，正是基于模拟计算的优势，实现了高效、低能耗的矩阵计算。
那么为什么此前没有选择模拟计算而是转向了数字计算呢？原因在于可靠性。数字计算的二进制系统只有0和1两种状态，这样的系统最为可靠。然而随着技术的发展和需求的增长，模拟计算的优势逐渐凸显出来。尤其是在复杂计算任务和大规模数据处理方面，模拟计算的效率和速度远超数字计算。
此次新型模拟计算芯片的研制成功，不仅为AI领域的发展提供了新的技术路线，也有助于减少对单一计算范式的依赖。该芯片可以支持多种前沿场景，包括6G通信、具身智能等，对于推动AI技术的发展具有重要意义。该芯片采用成熟工艺量产，也降低了生产成本，有助于推动模拟计算的普及和应用。
这支中国团队的成果为AI领域的发展带来了新的突破和启示。随着技术的不断进步和需求的增长，模拟计算或将成为未来计算领域的重要方向。该团队的研究成果不仅具有理论价值，也具有广泛的应用前景。数字计算的鲁棒性更强，抗干扰能力更佳，而早期的模拟计算则更容易受到噪声的影响，导致结果漂移。在模拟计算的发展历程中，精度问题一直是一个关键的痛点。孙仲及其团队的研究工作，为我们解决了这一难题。
孙仲团队成功将相对误差大幅压降至千万分之一（10^-7）的量级，这一成果受到广泛关注。他们的突破在于采用了一种新型芯片，这种芯片将精度提升了5个数量级，达到了24位的定点精度，相当于数字计算中的浮点32位（FP32）精度。
那么，他们是如何实现这一突破的呢？他们沿用了计算机领域的经典迭代优化算法，基于2019年提出的低精度电路来解方程。这个电路能够快速地找到能量函数的最优点，然后通过反复迭代修正，将精度提升至极高水平。
孙仲团队的研究以阻变存储器为介质，采用类比方式完成计算。他们设计的电路可以映射待解的矩阵方程至电路物理量，使电路自发求解矩阵方程。这种方法摒弃了传统硅基晶体管与逻辑门的用法，为模拟计算开辟了新的途径。
在研制过程中，团队遇到了许多困难，其中主要是认知层面的挑战。早期，他们自己也接受模拟计算“低精度”的标签，但在实际应用中，高精度是一个基本需求。为了突破精度瓶颈，他们不断尝试，设计了多款电路，并引入经典迭代优化及“位切片”算法，最终实现了高精度矩阵乘法。
这款新型芯片的创新点主要体现在三个方面：采用阻变存储器作为核心器件，面向矩阵方程求解，形成“现代模拟计算”范式；提出了一种全新的反馈电路，在不显著增加能耗和延时的前提下，将计算误差降低至极低水平；通过引入经典迭代优化和“位切片”算法，实现了高效的高精度矩阵乘法。
目前，这款芯片还处于实验室阶段，主要用于中等规模场景的应用。尽管尚无法与高端数字芯片在小规模任务上抗衡，但其巨大的潜力已经引起了行业的关注。随着技术的不断进步和研究的深入，我们有理由期待模拟计算在未来能够取得更大的突破，为人工智能、云计算等领域带来更多的可能性。
孙仲团队的研究工作为模拟计算领域带来了重大的突破，他们的成果为我们解决了一直困扰模拟计算的精度问题，为模拟计算的进一步发展打开了新的大门。我们的芯片优势：中等规模场景的最佳拍档
在技术的世界里，我们的芯片独树一帜，它的独特之处在于，它能在中等规模场景中发挥出卓越的优势。过小则性能无法完全展现，过大则暂时无法触及，而中等规模场景恰是其大展身手的舞台。
目前，主流AI训练多采用一阶方法，而二阶训练则以其更快的速度和更少的迭代次数引人瞩目。尽管二阶训练每次迭代都需要解一次矩阵方程，单次计算量大，对于数字芯片来说是个巨大的挑战。但我们的技术正好能够应对快速矩阵方程求解，因此理论上非常适合为二阶训练加速。
关于二阶训练的应用范围，孙仲表示，它并非仅限于大规模模型。无论是传统的神经网络还是大规模的参数模型，都可以采用二阶训练，其目的都是为了加速AI的训练。
除了AI训练和6G通信，我们的芯片还具备在具身智能、超级计算等领域的潜在应用。超级计算中的气象预报、量子力学、热扩散模拟等都是解微分方程的工作，这些方程在数字计算机上需要转化为矩阵方程才能求解。超算中心的大部分算力实际上都用于解矩阵方程，这也为我们在超算领域的应用提供了广阔的空间。
在超算领域的应用，需要我们扩大芯片的矩阵规模以适应大规模的问题求解。孙仲提到，虽然不会直接制作“百万×百万”的阵列，但我们会通过算法设计实现规模的扩展，以更高效的硬件解决更大规模的方程。
关于流片、代工厂生产等流程，孙仲强调，我们的芯片能够在现有的代工厂产线上制作，这一优势相较于量子计算和光计算尤为显著。后者因材料和工艺条件的差异，无法沿用当前的生产线。
对于落地消费端的问题，孙仲表示这需要完成多个关键环节：扩大阵列规模、完成大量的工程资源投入、进行可靠性验证，并赢得产业链伙伴的认可。尽管无法准确预测时间表，但团队内部已经在规划两年内将阵列规模从16×16扩大至128×128，并力争进一步扩展至512×512。
技术的跃升面临诸多挑战。随着芯片规模的扩大，寄生效应、良率控制、功耗分布等问题都会浮现。我们需要在器件、电路与工艺层面进行同步优化以应对这些挑战。
孙仲强调，新型芯片的出现证明了一条新路径的可行性。我们需要进行技术储备，以便在某一类计算任务（如超级AI）迫切需要进行矩阵方程求解时能够迅速响应。就像GPU在游戏领域的成功为它在AI领域的爆发奠定了基础，我们也必须储备技术以抓住未来的机遇。当机遇窗口开启时，技术储备将决定我们能否抓住下一波技术浪潮。
