北大联手IBM苏黎世定义现代模拟计算

时间：2026年11月3日，量子位发布对一篇模拟计算综述论文的深度报道；该论文在 arXiv 上的编号为 2606.13179，提交日期为 2026 年 6 月 11 日。 地点：中国北京、瑞士苏黎世、美国硅谷。 人物：孙仲，北京大学人工智能研究院长聘副教授、模拟计算芯片公司安纳智芯首席科学家，论文第一作者；共同作者包括 Unconventional AI 科研骨干 Piergiulio Mannocci，以及 IBM 苏黎世研究院的 Manuel Le Gallo 和 IEEE Fellow Abu Sebastian。 事件详情：论文英文标题为 Modern analog computing for solving differential and matrix equations，量子位称其发表于一本聚焦非传统计算的 Nature 旗下期刊，首次把「现代模拟计算」写进标题，为这个方向立一个正式定义。论文提出三个核心计算原语——解微分方程、解矩阵方程、矩阵向量乘法，并指出三者共享加法器、乘法器、积分器这组基本算子，微分方程离散化后可化为矩阵方程，由此构成统一的计算谱系。与传统模拟计算的区别落在三个维度：任务上从只面向微分方程求解，转向 AI 时代与 6G 通信里需求最庞大的矩阵计算；硬件上从 CMOS 模拟电路转向阻变存储器（RRAM 等忆阻器）这类纳米器件；可行性上则探索出高精度与可扩展的工程路径。之所以选择从矩阵求逆切入，是因为在智算中心与科学计算的繁重负载里，超过 80% 的算力开销花在求解形如 Ax=b 的线性方程组上，而矩阵求逆的计算复杂度通常达到 O(n^3)，通用 GPU 没有专用硬件单元，只能拆成几十次甚至上百次矩阵乘法反复迭代逼近。安纳智芯设计的模拟矩阵计算（AMC）电路在阻变存储器阵列外围引入全局负反馈闭环，让电路瞬态响应直接对应矩阵方程求解，原本需要 GPU 上百次迭代的运算一次测量即可输出解，单次操作耗时小于 100 纳秒，且物理响应时间与矩阵维度无关。精度是这一路线的生死线：2019 年该团队在 PNAS 发表奠基论文时，求解相对误差约 3%、硬件阵列规模只有 3×3；2025 年 10 月在 Nature Electronics 发表的方案借鉴位切片思路，每个器件采用 8 个离散电导态（等效 3 比特），8 个 3 比特阵列切片拼接实现 24 位定点精度，仅 3 次迭代就把求解相对误差压到 10^-4，后续可收敛至 10^-7，追平数字处理器的 FP32 单精度浮点运算，配套的 BlockAMC 分块算法实测已扩展至 512×512 维度矩阵。实测评估显示，在与数字芯片同等 FP32 精度下，该方案吞吐量约为英伟达 H100 单核与数字 ASIC 的约 1000 倍，能效约为 100 倍；架构上走「让矩阵归模拟，让逻辑归数字」的数模混合路线，每个子阵列只处理 3 比特，外围只需 6 至 8 比特分辨率、10MHz 采样率的基础转换器，阻变存储器又可在 28 纳米乃至 22 纳米成熟制程上可靠制造，综合成本相对主流 GPU 约有 10 倍优势。商业化路线分三步：一年内推出面向具身智能运动控制与规划的实测演示，中期聚焦 6G 大规模 MIMO 信号处理，北大团队在 5G-A 与 6G 基站实验中已实现 3 次迭代即零误差还原北大校徽图像与 256-QAM 星座图，3 到 5 年内扩展至数千个并行模拟核，原生支持大模型的二阶优化训练。 背景：模拟计算曾被数字芯片取代半个世纪。2024 年 Corey J. Maley 在 WIREs Cognitive Science 上的研究指出，「模拟」的核心不在于连续性，而在于「类比」——不经过二进制符号抽象，直接把数学问题映射到物理系统上，依靠物理定律自然给出答案。硬件路线也几经反复：2016 年《JSSC》上的一颗 65 纳米 CMOS 模拟芯片只容纳得下 4 个积分器和 8 个乘法器，模拟电压信号长距离传输衰减严重，在单颗芯片上集成 100 万个 CMOS 乘法器几乎没有物理可行性。阻变存储器提供了电压与电流之外的第三个物理变量「电导」，1000×1000 的交叉阵列可紧凑集成 100 万个原位模拟乘法器。另外，孙仲此前已在存内计算方向做过同样的事，2023 年他联合国际同行在 Nature Electronics 发表《存内计算技术全谱》。2025 年 10 月那篇高精度工作上线后创下了 Nature Electronics 创刊九年来的最高阅读纪录。 影响：对 AI 算力而言，矩阵求逆是智算中心与科学计算的常见负载，也是大模型训练做二阶优化的必经之路——二阶优化每一步都要解海森矩阵的逆，此前数字 GPU 只能改用 5 次矩阵乘法迭代去近似逼近，若高精度模拟矩阵求逆在数千个并行模拟核上落地，大模型训练优化的物理瓶颈有望得到缓解。对供应链而言，28 纳米乃至 22 纳米成熟制程意味着避开先进光刻代工壁垒，国内晶圆代工厂在成熟阻变器件工艺上的积累已与国际巨头并驾齐驱。对产业节奏而言，近端落点是具身智能的运动控制与规划，机器人做高动态运动控制必须实时解出复杂的动力学矩阵方程，模拟电路的解算能力有望让关节动作更顺滑。需要注意的边界是，这项技术整体仍处于从实验室走向产业的过程中，量子位援引《苦涩的教训》的观点指出，缺乏精度的计算架构极难在主流产业界立足，高精度是新型架构落地的前置条件。 总结：一篇综述论文的价值不只在于它说了什么，更在于它把散落的技术点归拢成一个术语和一套边界，「现代模拟计算」从此进入文献引用链条。值得注意的是牵头人来自中国：孙仲此前已在存内计算方向做过同样的事，而硅谷两家被顶级资本重注的非传统计算初创公司，技术路线都沿着他的研究延伸——Normal Computing 2026 年发表于 npj Unconventional Computing 的《Thermodynamic Natural Gradient Descent》及后续二阶优化工作，用的核心求解硬件正是闭环负反馈模拟求逆电路；Unconventional AI 由前 Databricks AI 负责人 Naveen Rao 创立，公布的种子轮估值超过 45 亿美元，其科研骨干正是本篇论文的共同作者。论文给出的指标相当具体：同等 FP32 精度下吞吐约为 H100 单核的 1000 倍、能效约 100 倍，精度通过位切片做到 24 位定点。但从论文到量产仍有距离，商业化要看未来一年内具身智能演示、以及 3 到 5 年内数千模拟核目标的兑现情况。 常见问题： 问：模拟计算芯片和 GPU 有什么区别？ 答：GPU 用数字电路反复做矩阵乘法逼近解，模拟计算芯片把数学问题直接映射到物理系统上，靠欧姆定律让乘加在电路里一次性完成。 问：这项技术现在能买到吗？ 答：还买不到。方案来自安纳智芯，路线图是一年内先做具身智能运动控制演示，中期做 6G 大规模 MIMO，3 到 5 年才扩展到数千个并行模拟核。 参考来源： 量子位：模拟计算进入矩阵时代！北大联手硅谷IBM，写下新定义 https://www.qbitai.com/2026/11/507367.html arXiv：论文原文 Modern analog computing for solving differential and matrix equations https://arxiv.org/abs/2606.13179 npj Unconventional Computing：热力学矩阵求逆的理论分析及其对模拟计算的启示 https://www.nature.com/articles/s44335-026-00098-w Europe PMC 论文记录（EMBL-EBI）：PNAS 2019 奠基论文 Solving matrix equations in one step https://www.ebi.ac.uk/europepmc/webservices/rest/search?query=DOI:10.1073/pnas.1815682116 npj Unconventional Computing：Achieving high precision in analog in-memory computing systems https://www.nature.com/articles/s44335-025-00044-2 Normal Computing 官网（热力学计算芯片 CN101） https://www.normalcomputing.ai/ Unconventional AI 官网（论文共同作者所在公司） https://unconventional.ai/ 中文转载：模拟计算进入矩阵时代 北大联手硅谷IBM https://www.x-techcon.com/article/205116.html