⚛️量子位•較早收集於 2h
中國團隊重新定義計算：矩陣歸類模擬，邏輯歸類數位
💡一種新的晶片架構聲稱能一步完成矩陣運算，潛力足以超越 Nvidia 現有的 GPU。
⚡ 30-Second TL;DR
有什麼變化
結合類比矩陣處理與數位邏輯的混合架構
為什麼重要
若此架構具備可擴展性，將能大幅降低深度學習中大規模矩陣乘法的能耗與延遲。
下一步行動
密切關注該晶片的研究論文及其能效基準測試，以評估其未來在邊緣 AI 部署的潛力。
誰應關注：Researchers & Academics
關鍵要點
- •結合類比矩陣處理與數位邏輯的混合架構
- •相較於傳統 GPU 大幅減少運算步驟
- •有望顛覆高延遲的 AI 推論工作負載
🧠 深度解析
Web-grounded analysis with 8 cited sources.
🔑 增強重點摘要
- •該混合架構利用阻變記憶體 (RRAM) 來實現高精度類比矩陣運算，首次將類比計算的精度提升至 24 位元定點精度，使其能與數位運算媲美，解決了類比計算長期以來的精度瓶頸。
- •此晶片在求解矩陣方程 (如矩陣求逆) 等對精度要求極高的任務上表現出色，這對於 AI 大模型的二階訓練和大規模 MIMO 訊號檢測至關重要，而非僅限於一般的 AI 推論。
- •在處理 128x128 矩陣求逆問題時，其計算吞吐量較頂級數位處理器 (GPU) 提升百倍至千倍，並在相同精度下能效比傳統數位處理器提升逾 100 倍。
🛠️ 技術深入
- 該晶片由北京大學孫仲研究員團隊開發，基於阻變記憶體 (RRAM) 技術。
- 採用高精度、可擴展的模擬矩陣計算架構，旨在解決傳統類比計算「算不準」的痛點。
- 首次實現了在精度上可與數位運算媲美的類比計算系統，將類比計算的精度提升了驚人的五個數量級，達到 24 位元定點精度。
- 核心技術是構建一個基於阻變記憶體陣列的高精度、可拓展的全類比矩陣方程式求解器。
- 該方法利用物理定律直接進行運算，無需將數據轉換為二進制數字流，並將數據計算與數據存儲合而為一，克服了馮·諾依曼架構的「記憶牆」瓶頸。
- 實驗上成功實現 16x16 矩陣的 24 位元定點數精度求逆，經過 10 次迭代後相對誤差可低至 10⁻⁷ 量級。
- 據報導，該技術採用 40 奈米 1T1R RRAM 陣列，並宣稱讀寫速度可達 10 GHz。
🔮 前景展望AI analysis grounded in cited sources
該技術將加速 AI 大模型的二階訓練效率，顯著縮短訓練時間並降低能耗。
晶片在矩陣方程求解上的高精度與高吞吐量，能有效優化 AI 訓練中運算密集的二階最佳化演算法。
邊緣 AI 裝置將能直接運行複雜的 AI 訓推一體任務，大幅減少對雲端算力的依賴。
該晶片的低功耗與高能效特性，使其非常適合在終端設備上進行複雜訊號處理和 AI 運算。
6G 通訊基地台的訊號處理能力將獲得顯著提升，實現更高的網路容量和能源效率。
晶片能以即時且低能耗方式處理大量天線訊號，解決 6G 通訊領域的算力挑戰。
⏳ 時間線
2025-10-13
北京大學孫仲研究員團隊的相關論文《Precise and scalable analogue matrix equation solving using resistive random-access memory chips》在國際學術期刊《自然·電子學》上發表。
2025-10-15
北京大學人工智能研究院發布新聞，宣布孫仲研究員團隊在新型計算架構上取得重大突破。
2025-10-16
多家媒體報導北京大學團隊成功研製新型晶片，宣稱其算力在特定任務上超越頂級 GPU 千倍。
2025-10-23
中國科技網報導該新型晶片突破，詳細介紹其基於阻變記憶體的模擬計算優勢。
📎 來源 (8)
Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 量子位 ↗