|
|
|
|
| 2025年10月23日突破瓶頸!中國成功研制新型芯片 |
|
歷史上的今天
欄目：重大事件
發布時間：2025-10-23
|
|
|
|
|
2025年10月23日發生的重大事件：
|
摘要：2025年10月23日(農歷2025年9月3日)，突破瓶頸！北大教授成功研制新型芯片。
突破瓶頸！我國成功研制新型芯片。
北京時間2025年10月23日，北京大學官方微信公眾號2025年10月23日發布消息，內容如下：
北大教授突破瓶頸，新芯片問世！
近日，北京大學科研團隊傳來突破性進展：他們研發出一種新型模擬計算芯片，以更貼近人類直…
|
2025年10月23日(農歷2025年9月3日)，突破瓶頸！北大教授成功研制新型芯片。
突破瓶頸！我國成功研制新型芯片。
北京時間2025年10月23日，北京大學官方微信公眾號2025年10月23日發布消息，內容如下：
北大教授突破瓶頸，新芯片問世！
近日，北京大學科研團隊傳來突破性進展：他們研發出一種新型模擬計算芯片，以更貼近人類直覺的計算方式，顯著提升了計算效率并大幅降低能耗，給人工智能等應用的進一步發展帶來了新的想象空間。
今年10月，北京大學人工智能研究院孫仲團隊聯合集成電路學院，成功研制出基于阻變存儲器的高精度、可擴展模擬矩陣計算芯片，首次將模擬計算的精度提升至24位定點精度。這一成果為“模擬計算”——這一由來已久但鮮為人知的概念，帶來了振奮人心的新突破，為應對人工智能等領域的算力與能耗挑戰提供了新路徑。
孫仲團隊研究成果發布在《Nature Electronics》期刊網站
孫仲課題組合影
何為模擬計算？
從1+1=10，到1+1=2
對于大多數習慣了數字計算機（0和1）的公眾而言，“模擬計算”是一個既古老又新奇的概念，什么是模擬計算呢？孫仲首先用生動的比喻對其進行解釋：
“
“現在的所有芯片都是數字計算，數據都需要先轉換成0和1的符號串。比如數字‘十’，需要轉譯成‘1’和‘0’，計為1010。”如果用二進制來表示“1+1=2”，則應該記作“1+1=10”。
孫仲解釋道，“而模擬計算則無需這層‘轉譯’，它是一種‘類比計算’（analogue computing），可以直接用連續的物理量（如電壓、電流）來類比數學上的數字。比如，數學上的‘十’，可以直接用十伏或十毫伏的電壓來表示。”
他進一步舉例：“我們從小接受的教育其實是模擬計算的思維。父母教我們，一根筷子加一根筷子等于兩根筷子，這就是一個典型的類比過程。在模擬電路里，加法可以利用基爾霍夫電流定律自然實現——兩個電流匯合，總電流就是它們的和，乘法則可以基于歐姆定律來實現。模擬計算是利用物理定律直接做數學運算的計算方式，而不是用邏輯一步步去‘算’。”
模擬計算機在計算機發展早期（上世紀30-60年代）曾被廣泛應用，但隨著計算任務日益復雜，其精度瓶頸凸顯，逐漸被數字計算取代。孫仲指出，此次研究的核心正是要解決模擬計算“算不準”這一痛點。
逆向矩陣求解，突破數字計算局限
以全新手段，成就算力天花板
當前的市面上的主流CPU和GPU都是數字芯片，并都采用馮諾依曼結構，將計算和存儲功能分開，通過01數字流的編譯+計算+解碼實現信息計算和傳輸。而基于阻變存儲器的模擬計算的優勢之一在于取消了“將數據轉化為二進制數字流”這一過程，同時不必進行“過程性數據存儲”，進而將數據計算過程與數據存儲合而為一，實現算力解放。
高精度全模擬矩陣計算求解矩陣方程
孫仲指出，與其他“存算一體”方案對比，國內外許多團隊集中于研究矩陣乘法（AI推理的核心），而他的團隊特色在于專注于更具挑戰性的矩陣方程求解（AI二階訓練的核心）。矩陣求逆操作要求的計算精度極高，時間復雜度達到了立方級。而模擬計算憑借物理規律直接運算的方式，具有低功耗、低延遲、高能效、高并行的天然優勢，只要能夠不斷降低計算誤差，不斷提升計算精度，將為傳統GPU的算力解放帶來爆炸性突破。
03
如何實現“又快又準”？
三層突破：器件、電路和算法
此次精度突破的關鍵，孫仲將其歸功于三個層面的結合——器件、電路和算法。
0
1
核心器件：可編程的“阻變存儲器”
傳統的電阻值是固定的，而阻變存儲器的電阻值可以通過電壓進行調節。“這帶來了本質區別——可編程性。”孫仲說。這意味著，一個阻變存儲器單元可以作為一個靈活的乘法器，能夠計算任意數值的乘法，而不僅限于固定值。它不僅是存儲器，更是計算單元，憑借其電阻數據的可變性，可以適應更多的計算可能，實現“存算一體”，從根本上挑戰了傳統的馮·諾伊曼架構，直接在物理器件層面實現了計算與存儲的融合，避免了因計算與存儲分離帶來的巨大效能損失。
0
2
原創電路：實現“一步求解矩陣方程”
孫仲于2019年在意大利做博士后期間，原創性地設計了一種基于阻變存儲器陣列的電路，能夠一步求解矩陣方程。孫仲介紹：“當時的電路是個奠基性的工作，但精度只有1%左右，對于現代計算任務遠遠不夠。”時隔幾年，當團隊把原創電路和其他技術型元素創造性集成，其展示出的性能提升與巨大潛力令人驚嘆。
0
3
算法優化：“微切片”與“迭代優化”雙管齊下
為了將精度從1%提升至24位，團隊引入了兩種關鍵算法：
首先是位切片技術，將24比特的精度需求，切分成8個3比特的模塊，由多個陣列分別計算后再拼接，雖然每一次的精度提升都需要更多的硬件資源，但實現了精度的跨越。
基于塊矩陣方法求解高精度、可拓展矩陣方程的實驗結果
其次是迭代優化方法，孫仲將其類比為“在山谷中尋找最低點”。2019年的低精度電路能快速提供一個“接近盆地”的粗略解（誤差約1%），而新的高精度乘法器則能精確指出“下降的方向和距離”。通過幾次迭代，就能迅速找到精確解，這種方法遠比傳統數字計算機的“梯度下降”法高效。
“這項突破是半導體行業（器件）、我們原創的電路設計、以及計算架構領域（算法）智慧的結晶。”孫仲這樣說。
高精度矩陣方程求解在大規模多輸入多輸出（MIMO）
迫零檢測信號處理過程中的應用
04
從實驗室到代工廠，還有多遠？
前景可觀，穩扎穩打，優勢突出
關于應用前景，孫仲認為，模擬計算在未來AI領域的定位是強大的補充，最有可能快速落地的場景是計算智能領域，如機器人和人工智能模型的訓練。
例如在AI訓練的二階優化算法中，求解神經網絡權重是一個復雜的矩陣方程求解過程。相較于GPU依賴傳統并行計算處理此類任務，模擬計算能獲得更高的能效比和顯著更低的能耗。同樣，機器人運動規劃中也涉及大量實時矩陣方程求解，模擬芯片在此類復雜任務中優勢非常明顯。
談及與現有計算架構的關系，孫仲強調未來將是互補共存：“CPU作為通用‘總指揮’因其成熟與經濟性而難以被淘汰。GPU則專注于加速矩陣乘法計算。我們的模擬計算芯片，旨在更高效地處理AI等領域最耗能的矩陣逆運算，是對現有算力體系的有力補充。”
目前孫仲團隊正在積極推進產業落地，而此過程的關鍵在于阻變存儲器。孫仲介紹道：“當前在很多代工廠有突破，但是更多依然是將之用于存儲器本身。但是，我們不只將它用于存儲，也用計算，是對其應用能力的一種拓展，這要求更為針對性的生產工藝探索。”但是實現產業化還需要多方的協調與努力，在持有極樂觀心態的前提下，依然需要穩扎穩打、步步推進。
或許在未來，智能設備將擁有一個由“0”和“1”組成的CPU大腦，和若干直接由物理定律進行矩陣運算的“模擬計算處理器”器官，流轉于計算機全身的將不只是冷冰冰的二進制數據流，而是更加符合人類認知的模擬計算信號。
來源|北京大學融媒體中心、北京大學人工智能研究院、北京大學集成電路學院
（北京大學公眾號）
|
|
|
|
|
上述內容已注明媒體來源的，為本站編輯轉載，版權歸原作者所有。若有來源標明錯誤或者侵犯了您的合法權益，請及時與我們取得聯系，我們將迅速進行處理。向原創致敬！！！
|
|
免責聲明：
|
|
|
1、本站部分內容系網友投稿或編輯轉載，并不代表本網贊同其觀點和對其真實性負責。
2、本頁面內容里面包含的圖片、視頻、音頻等文件均為外部引用，本站一律不提供存儲。
3、如涉及作品內容、版權和其它問題，請在30日內與本網聯系，我們將在第一時間刪除或斷開鏈接！
※ 有關作品版權事宜請聯系客服
|
|
|
|
|
|
|
|
|
|
|
|
| 歷史上的今天 |
|
|
今天是：2026年09月09日（星期三）
|
|
|
|
|
|
|
|
|
|
|
|
|
