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

< 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 henry 2026-06-08 12:36:03 来源： 量子位 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 模拟计算 。 这家公司叫 安纳智芯 （Anatrix）。 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。 安纳就是其中之一。 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： 模拟计算 。 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。） 但有意思的是。 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。 安纳属于后者。 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。 如果一开始就在低精度里寻找“够用”，很多能力可能永远没有机会被验证。 从上世纪80年代末的类脑计算，到后来的模拟神经网络，再到今天的存算一体，类似的故事其实已经反复出现过很多次。 所以，并不是追求精度这件事有争议，而是在过去很长时间里，由于模拟计算精度低是固有的，大家停留在这一层面，存在认知上的偏差，于是只能退而求其次。 而安纳率先完成了认知上的突破，他们真正想做的，就是把高精度模拟计算推向可用。 所有人都在做乘法，安纳想把“除法”补回来 除了对精度的态度，安纳和其他模拟计算公司的不同，还在于他们选了一个完全不一样的方向： 矩阵求逆 。 今天做模拟计算的公司，不管是存算一体、模拟CIM，还是各种类脑、光计算路线，几乎都在做矩阵乘法。 这其实很好理解，因为整个AI产业，本质上就是建立在矩阵乘法之上的。 一方面，GPU本身就极其擅长矩阵乘法；另一方面。大模型推理，也几乎全是矩阵乘法，所以 整个行业的思路都很自然—— 既然模拟计算更省电、更并行，那就拿它去替代一部分GPU的矩阵乘法，但安纳并没有这么做，他们选择了更第一性的矩阵求逆。 那么，矩阵乘法和矩阵求逆有啥不一样呢？ 简单来说，矩阵乘法，本质上是“知因求果”。权重已知、参数已知，乘起来、加起来，最后得到结果。 而矩阵求逆反过来。结果已经知道了，但中间真正的参数、权重、状态未知，你需要反过来把它求出来，从结果反推原因。 对应到大模型里也很好理解：矩阵乘法更多对应推理，而矩阵求逆则更接近训练。 因为训练本质上，就是已知输入和输出，再反过来寻找中间最合适的参数。 （注：今天主流数字计算的做法，依然是把原本需要直接求解的问题，转化成海量矩阵乘法，再通过不断迭代去逼近答案。） 事实上，矩阵求逆并不局限于大模型训练。现实世界里真正难的问题，很多其实都是“逆问题”。 比如，机器人为什么会摔倒？自动驾驶怎么从传感器数据里还原真实状态？通信系统怎么从混杂信号里恢复原始信息？ 这些问题，底层都在做同一件事：从结果反推原因。 而这，恰恰是GPU不擅长的。因为在数字芯片体系里，并不存在“原生矩阵求逆”这个算子。它的做法，本质上是绕。 先把一个求逆问题拆开，再转化成海量矩阵乘法，然后通过不断迭代，一轮轮逼近最终答案。 所以GPU不是“直接解”，而是在“逼近解”，这也是为什么，我们前面会看到那个“一亿步”和“一步”的差别。 为了更加深入地理解这两者的差异，安纳还给我们打了一个很形象的比方。 比如你要建长城。矩阵求逆就像“砖”。而数字芯片手里其实没有砖。它只有沙子、泥土、原料。 所以它得先和泥、烧制、成型，最后才能得到一块砖，再拿这块砖去建长城。 模拟计算芯片，则是直接把砖给你。你不用再从沙子开始。所以这不是“快一点”或者“省一点”的区别，而是计算范式本身不同。 一个是在不断迭代逼近。 一个则是原生求解。 安纳想做的，就是把这块缺失了很多年的“砖”，重新补回来。 让矩阵归模拟，让逻辑归数字 说到最后，一