当全球算力竞赛进入深水区,一个来自中国的新物种正试图改写游戏规则。各类AI大模型的训练、机器人的即时反应、通信基站的信号处理,这些看似截然不同的任务背后,都指向同一个数学核心——矩阵方程。而一款名为AX100的模拟计算芯片的诞生,将这一求解过程压缩到了纳秒量级。这不仅仅是一颗芯片的故事,更是科技前沿领域一次计算范式的历史性拐点。

一场计算范式的降维打击

我们熟悉的数字芯片,比如GPU或CPU,在解矩阵方程时,本质上是在做海量的乘加迭代运算。以512阶矩阵方程为例,传统方案需要约5亿次乘加操作,耗时数十到上百微秒。随着大模型参数不断膨胀,这种“蛮力计算”的代价正在以立方级的速度增长,让算力供给处处捉襟见肘。

相比之下,模拟计算走了一条截然不同的路。它不追求把计算拆分成无数细小的逻辑门操作,而是直接利用物理定律本身去“演算”结果。安纳智芯CEO向锐说得直白:“矩阵方程被直接映射为电路,电路自平衡后一次读出结果,无需迭代。”这就好比从“千军万马逐个数数”到“量筒一放,水位就是答案”。

AX100芯片正是这一理念的集大成者。作为世界首颗全集成一步求解矩阵方程模拟计算芯片,它在2025年10月完成流片后,测试数据令人眼前一亮:单次求解时间小于100纳秒,单次计算功耗仅约80毫瓦。相比数字芯片,这既是速度上的跨越,更是能效上的绝杀。对于整个科技前沿而言,这标志着一条完全不同于冯·诺依曼架构的国产路径正式浮出水面。

当然,模拟计算并非新鲜概念,但如何让它兼具可靠性与可扩展性,曾是世界级难题。过去,模拟计算的精度只能停留在百分之一量级,这让它在现代任务中显得步履蹒跚。而如今,国产技术的突破将精度推向千万分之一量级,给了模拟计算一次真正的“复活”机会。这种变化对每一个关注最新科技动态的人而言,都是值得被铭记的瞬间。

从实验室到产线:一年完成惊险一跃

科学研究与产业落地之间,往往横亘着一条巨大的鸿沟。很多顶尖论文的成果最终都沉寂在实验报告里,而AX100没有重蹈覆辙。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》上发表了将模拟计算精度大幅提升的研究成果。论文发表后仅仅一年,安纳智芯便依托国内成熟的芯片制造封装产业链,将孙仲团队的技术从实验室推进到了可靠的生产线上。

这种“快速接力”得益于中国在半导体供应链上的独特积累。AX100的制造不需要依赖先进制程,采用成熟工艺即可实现全链路自主可控。换言之,它巧妙地绕开了传统数字芯片在制程竞赛中的天花板,为中国半导体的“开道超车”打开了一条全新的战略通道。在当前复杂的全球科技博弈背景下,这种不依赖先进光刻机的芯片设计思路,本身就带有强烈的新质生产力色彩。

站在产业视角看,这也提示我们——芯片竞争并非只有“拼制程”一条路。架构创新和底层逻辑重构,同样能产生巨大的效能跃迁。正如向锐所言,AX100在架构上和GPU类数字芯片完全不同,且具备现代模拟计算顶尖能力,中国企业第一次有机会参与到重要计算范式的定义中。

不过,坦率地说,模拟计算要真正替代大量数字芯片,还有很长的路要走。比如如何与现有数字生态共存、如何提高通用性、如何大规模量产并降低良率成本,都是摆在现实中的问题。但至少,这一次我们走出了从0到1的关键一步。

三大场景实测:大模型、机器人、通信全面提速

一块芯片到底行不行,不能只看参数,还得看它在真实任务中的表现。AX100团队就在三个最具代表性的应用场景中进行了严苛验证。

第一个场景是大模型训练。当前AI竞争的核心,大多聚焦在参数规模和训练效率上。传统数字芯片在训练时,精调参数往往需要消耗大量算力资源。AX100团队在293万参数的Autoencoder模型和272万参数的Transformer模型上开展了验证,采用对应的二阶优化方案后,两类模型的训练更新消耗分别减少了92%和56%。这意味着,未来训练大模型时,我们可以用更少的资源完成更多的迭代,这对于算力紧缺的中小企业无疑是极大的福音。

第二个场景是具身智能和机器人。人形机器人要想在复杂环境中实时感知、决策、行动,对芯片的响应速度有着极为苛刻的要求。测试结果显示,搭载AX100后,运动控制与规划端到端算法提速150%到500%,而三维重建与SLAM(实时定位建图)核心算法环节更是提速200%到500%。这就意味着,机器人将拥有更“跟手”的反应,不再像卡顿的遥控玩具,而是真正具备流畅行动的智能体。

第三个场景是无线通信。在5G/6G基站中,大规模天线阵列需要快速处理信道矩阵。评估结果显示,对于128×128规模的信道格拉姆矩阵,AX100相比现有的数字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。换言之,同样的通信任务,模拟计算芯片无论从速度还是省电上看,都展现出碾压级的优势。这种性能差异,让人不由得想起那句被反复引用的判断:算力的尽头,也许不是芯片制程,而是物理直觉。

模拟计算与数字芯片:并行者而非替代者

很多听到模拟芯片消息的人,第一反应都是模拟计算会不会取代GPU。仔细分析后会发现,两者更像是互补共生的关系。数字芯片擅长逻辑控制和复杂分支,模拟计算则天然适合连续函数、优化问题和高维矩阵运算。在一个完整的AI系统中,模拟计算可以扮演“超级加速器”的角色,让大量线性代数运算以近乎免费的速度完成,而数字芯片则负责调度、存储和精度敏感的模块。

这种协同思路,正在推动新一轮的架构创新。事实上,不少科技前沿企业已经开始尝试将模拟计算阵列与数字处理器进行异构集成,以实现“扬长避短”。从最新的科技产品趋势来看,混合计算架构或成为AI算力中心的下一个主流形态。

当然,挑战不能回避。模拟计算的精度虽已大幅提升,但在一些极高精度场景(如科学计算中的双精度浮点运算)中,仍有差距。此外,模拟芯片的设计周期较长,对电路布局和工艺偏差敏感。这些都在考验工程设计团队的功力。

不过,随着AI Agent技术的快速发展,模型推理的次数正在指数级增长。实时交互、多轮对话、多模态分析,这些应用场景拼的不是单次计算精度,而是综合响应效率。模拟计算恰恰能在这种“快速近似求解”的需求中找到黄金位置。借助AI工具箱,开发者也能够快速比较不同硬件组合下的性能差异,这本身就是技术民主化的一种体现。

国产芯片的“开道超车”时刻

长期以来,国产芯片在数字CPU和GPU领域一直处于追赶状态,受制于专利壁垒与制造工艺,始终难言轻松。但AX100的出现,提供了一种全新的“开道超车”思路——既然别人设计好了赛道,我们不妨开辟一条新赛道。在模拟计算这个长期被忽视的领域,中国团队从发表重量级论文到落地量产芯片,只用了一年时间,这样的“中国速度”确实令人感慨。

从中也能看出,中国在芯片领域的核心竞争力正在从“规模优势”转向“原始创新”。安纳智芯作为一家模拟计算芯片公司,并没有抱怨制程限制,而是从物理本质出发,重构了计算的底层逻辑。这种敢于对底层技术范式发起挑战的勇气,正是科技前沿领域最宝贵的创新气质。

当然,我们仍需冷静看待。单颗芯片的成功,不代表整个生态的成熟。模拟计算要走向主流,还必须要建立完善的工具链、编译器和开发者社区。幸运的是,我们已经看到了积极的信号——例如不少团队开始将矩阵运算密集的环节(如图像处理)移植到模拟计算上,借此提升效率。如果你也是一位AI产品创作者,不妨体验一下AI画图的高效生成,感受底层算力优化带来的流畅体验。

未来已来:更广泛的产业想象空间

着眼未来,AX100所代表的技术路线具有极大的拓展空间。除了大模型、机器人和基站通信外,凡是涉及大规模矩阵运算的场景,都可能成为模拟计算的表演舞台。例如金融风险分析中的蒙特卡洛模拟、气象预报中的数值求解、药物发现中的分子动力学计算,甚至是元宇宙中的物理仿真,都能从这项技术中获得强力增益。

在产业链层面,模拟计算芯片还有望与各类本地化智能设备结合。比如,手机端的实时翻译、头显设备中的空间定位、车载系统的路径规划,都可以通过模拟计算芯片实现低功耗高响应。这或许将引发新一轮的设备端智能化升级浪潮。

有理由相信,模拟计算将不再只是实验室里的“冷门绝学”,而会成为AI时代的关键基础设施之一。与此同时,国产技术路线正在加速走向开放,越来越多的企业开始尝试将模拟计算引入自身业务中。\n也许有人会问,这么前沿的技术离普通用户远吗?其实不远。当更多搭载模拟计算芯片的科技产品走向市场时,你会发现自己手机里的助手反应更快了,机器人在咖啡馆里送餐不再“头脑卡顿”了,甚至家里的Wi-Fi信号优化也都更聪明了。

我们正站在一个崭新的节点上。当文生图工具让创意表达不再有门槛,当背景去除技术让电商设计变得轻松,底层都在依赖更强劲的算力支持。而模拟计算芯片的问世,正在为这些应用提供源源不断的底层动能。

当然,一颗芯片不能包打天下。未来几年,我们可能需要同时使用数字芯片和模拟芯片,用AI工具导航去发现最适合特定场景的组合方案,就像一支乐队既要有钢琴也要有架子鼓。这种混合式的计算生态,可能才是真正的未来。

这场关于计算范式的新长征,刚刚开始。中国团队已经递交了第一份出色的答卷,而世界正在等待后续更精彩的篇章。无论你是技术开发者,还是普通爱好者,都值得持续关注科技前沿的新动向,因为这一次,我们已经站在了浪潮之巅。