< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">
让矩阵归模拟，让逻辑归数字！这家中国团队重新定义了计算机
黄仁勋要算一万步，这家公司的芯片只需一步
henry 发自 凹非寺
量子位 | 公众号 QbitAI
黄仁勋的GPU，解一道矩阵方程，要做上亿次乘法。
一家中国公司，一步就给解了，用的是
过去几年，整个AI行业几乎都在往同一个方向狂奔。GPU、TPU、LPU、CPU……大家卷来卷去，本质上卷的其实还是数字计算：
更多晶体管、更先进的制程、更大带宽、更高吞吐。
但最近，我们发现有一批公司，开始不按这个逻辑走了。
他们选定的，是一个已经沉寂已久、但这两年又开始火热的方向：
这个概念听着新，其实一点都不新。
早在数字计算机大规模普及之前，人类就已经在研究模拟计算。最近很火的存算一体、光计算、量子计算、类脑芯片，往大了说，本质上也都属于这条路线。
之所以这两年重新被关注，一个很重要的原因在于：
模拟计算天然具备更高并行度、更低功耗，而且不像数字芯片那样高度依赖先进制程。
但它的问题也很明显，数字计算本质上处理的是0和1，只要能区分高低电平，误差就能被不断校正。
而传统模拟计算由于是直接用物理信号表示信息。电压、电流、电导这些量在传播过程中，容易积累噪声和漂移。
矩阵规模越大，误差放大得越夸张。
过去几十年，数字计算靠着摩尔定律一路狂飙，精度被不断“硬堆”上去；而模拟计算虽然理论上更高效，却始终困在精度问题里。
行业里甚至一直有一个很流行的观点：模拟计算很快、很省电，但不可信。精度，也因此成了模拟计算近几十年来最大的死结。
而安纳做的，就是把它解开。
模拟计算的精度，不再是问题了
过去近十年里，安纳的核心科学家一直在做同一件事——
把模拟计算的结果，做得足够可信。
去年，团队完成了精度媲美数字芯片水平的原理性验证，在模拟计算领域达到断档式领先，而今年，相关芯片目前已经进入流片阶段。
在技术路线上，安纳走的是一条非常典型、但也非常“硬核”的模拟计算路线：
基于存储器阵列，搭建非冯诺依曼架构芯片。
简单来说，就是把矩阵方程直接映射进物理电路，让电路本身成为方程求解器。
输入给进去，测输出，输出就是解。
也正因如此，那些GPU没办法直接求解、只能靠海量迭代逼近的矩阵方程，在安纳这里，可以一步完成，并保持精确。
（注：GPU拿到一个512×512的矩阵方程后，第一件事并不是“直接解”。它会先把问题拆开、转置、分解，再转化成海量矩阵乘加运算，通过一轮轮迭代慢慢逼近答案。整个过程，往往需要上亿次乘法。）
即便精度问题开始被解决，今天大多数模拟计算公司依然没有选择这条路。
像Unconventional AI、Normal Computing、EnCharge AI这些近两年最受关注的模拟计算创业公司，主打的依然是低功耗、存算一体或者特定场景加速。
（注：模拟计算正在重新获得资本市场关注。2025年底，主打低功耗模拟芯片的 Unconventional AI在种子轮便获得Lightspeed Venture Partners和a16z联合领投的4.75亿美元融资，估值接近45亿美元；专注热力学计算的Normal Computing于今年3月完成由三星领投的5000万美元融资；而存算一体公司EnCharge AI去年也完成了超过1亿美元的B轮融资。）
这背后其实对应着两种完全不同的研究哲学。
一种思路是接受模拟计算存在误差，在低精度条件下寻找“够用”的应用场景。
另一种思路，则是先把精度做到极限，再讨论效率和成本。
在与量子位交流时，团队反复提到一个观点：
所有计算平台的发展历史，几乎都是先把精度做到天花板，再根据场景需求向下做取舍。
数字计算也是如此，AI模型训练里，先有FP32，再向下兼容FP16、INT8、INT4。