AI硬件设备

80 毫瓦解完一道 512 阶矩阵题:国产模拟计算芯片 AX100 流片了,但它准不准还没人知道

2026年11月16日1 次阅读
80 毫瓦解完一道 512 阶矩阵题:国产模拟计算芯片 AX100 流片了,但它准不准还没人知道

⚙️ 80 毫瓦解完一道 512 阶矩阵题:国产模拟计算芯片 AX100 流片了,但它准不准还没人知道

2026 年 11 月 15 日,科技日报报道了一家叫安纳智芯的公司:他们 10 月完成流片的芯片 AX100,自称是「世界首颗全集成、一步求解矩阵方程的模拟计算芯片」,单次求解不到 100 纳秒,单次计算功耗约 80 毫瓦。它走的不是把方程拆成几亿次乘加的老路,而是让电路自己塌到答案上。但它现在只是流片,全部数字来自公司自测,最关键的那项指标——精度——官方一个字都没公布。

📅 2026 年 11 月 15 日 · 🧠 安纳智芯 AX100 模拟计算芯片 · ⚡ 单次解矩阵方程不到 100 纳秒、约 80 毫瓦 · 🚧 2026 年 10 月流片,未量产、精度未披露 · 📊 基于科技日报一手采访与多家媒体转述整理,数字为公司自测口径
芯片与电路板特写

3分钟看懂

本篇基于科技日报的一手采访、IT之家与凤凰网的同稿转载、Global Times 的英文独立成稿、数工科技的独立编写稿整理,并核对了它技术源头的论文 DOI。技术数字全部是公司自测口径,目前没有任何第三方基准。

  • 这是什么:一颗专门解矩阵方程的芯片,用的是「模拟计算」——用电压电流这些连续量直接表示数字并运算,而不是像现在的 CPU/GPU 那样把一切拆成 0 和 1 的乘加。
  • 谁做的:北京安纳智芯科技有限公司,团队出自北京大学人工智能研究院,CEO 向锐。技术上承接的是北大孙仲团队 2025 年 10 月发在《自然·电子学》的那篇论文。
  • 新在哪:它是第一个把「全集成 + 一步求解」同时做到的芯片形态。之前的模拟计算要么是实验室里的分立电路,要么精度只到百分之一量级。
  • 谁用得上:做 AI 训练优化的算法团队、做机器人实时控制的团队、做 5G/6G 基带信号处理的团队。普通用户三年内碰不到它。
  • 卡在哪:流片不等于量产;精度位数、相对误差、阵列规模三项官方全没披露;没有第三方基准,AX100 本身也没有对应论文。

它凭什么快:电路不「算」,它自己「塌」到答案上

先接受一个反常识的事实:电路天生就会解方程。

几个连通的水箱,你往其中一个倒水,水面自己会找平。你不需要计算每一滴水怎么流、多快、在哪转弯,只要最后拿尺子量一下水位,答案就在那儿。模拟计算就是这个思路——它不去「算」方程,而是搭一个物理系统,让这个系统的平衡状态本身就等于方程的解。

具体到矩阵方程 A·x = b:把矩阵 A 的每个元素做成一个电导元件,排成阵列;把 b 做成注入的电流;节点电压就是 x。为什么?因为基尔霍夫电流定律说,任何节点流进的电流总和必须等于流出。而「各支路电流之和为零」这件事,数学上恰好就是 A·x = b。

关键在于:你不需要解它,它本来就在解。通电之后电荷在几纳秒内重新分布完毕,电路稳定下来,节点电压就是答案。

数字芯片的路子是反过来的:先把方程变成算法(求逆、共轭梯度、LU 分解),再把算法拆成几亿次乘加,一步一步逼近答案。以 512 阶矩阵为例,约需 5 亿次乘加,耗时数十到上百微秒。这不是效率问题,是数学结构决定的——矩阵求逆的复杂度是阶数的立方。

16.8 毫秒是 4K 一帧的预算,上百微秒是数字方案解一道 512 阶题的时间。三个数量级的差距,就是这颗芯片全部叙事的起点。

它为什么被淘汰了五十年,又为什么现在回来

模拟计算机比数字计算机出现得更早。二战的火控计算、潮汐预报、微分方程求解,用的都是模拟机。它输在两件事上。

第一件,精度。电阻有制造误差,温度变了阻值会漂,器件用久了会老化。你让它算三分之一,它可能给你 0.332,也可能给你 0.335。误差在百分之一量级,而数字芯片随便就是 24 位定点、32 位浮点。

第二件,规模。模拟电路是硬连线的:要解 16 阶矩阵,就得在硅片上排 16×16 个单元;要解 128 阶,就得排 128×128 个。矩阵的数值可以调(调电导),但尺寸是焊死的。数字芯片是通用的,同一块硅片跑什么程序都行。

北大孙仲团队补的是「精度」这块短板。他们的做法说白了是承认「模拟算不准」,然后想办法把不准的部分补回来:先用模拟电路快速算一个粗糙的近似解,再用模拟电路算出这个解还差多少,然后用「位切片」把残差补回去,重复十次。结果是在 16×16 矩阵的求逆上做到 24 位定点精度,相对误差低到 10 的负 7 次方。

规模问题他们用「块矩阵」解决:把大矩阵切成小块,分到多颗芯片上同时算,再拼回去。

安纳智芯干的事,是把这套东西从实验室搬到了产线。论文发表到芯片流片,中间隔了整整一年。

AX100 到底给了哪些数

指标公司口径怎么读
单次求解时延不到 100 纳秒对照数字方案解 512 阶的数十至上百微秒,差约三个数量级
单次计算功耗约 80 毫瓦比很多蓝牙耳机芯片还低,但这是单次求解,不是整机功耗
大模型训练Autoencoder 更新消耗 -92%,Transformer -56%模型只有 293 万 / 272 万参数,属验证性实验,不是大模型实跑
具身智能运动控制与规划端到端提速 150%–500%;三维重建与 SLAM 核心环节 200%–500%论文未给完整硬件配置与对比条件,是团队特定实验的结果
无线通信128×128 信道格拉姆矩阵,等效吞吐 20–207 倍,等效能效 27.6–61.3 倍区间跨度十倍,说明对标基线不同、口径不一样
制造工艺不依赖先进制程,成熟工艺即可不是「绕开光刻就赢了」,是把竞争维度换成了器件一致性
精度未披露这是最大的信息缺口,下面单独讲

有一点必须说清楚,因为媒体标题很容易把它读歪。

「快千倍」这个说法,算的是 512 阶单次求解的时延比——几十微秒除以 100 纳秒。论文里的「1000 倍」说的是 128×128 规模下的吞吐量,即单位时间能处理多少个任务。通信场景给的「20 到 207 倍」是等效吞吐,区间跨度十倍。

三个「千倍/百倍」混在一起讲,很容易被读成「算力超 GPU 千倍」。严谨的说法是:在「解矩阵方程」这一件窄事上,它的时延和能效有一到三个数量级的优势;出了这件事,它什么都不是。

为什么这对 AI 硬件重要

过去两年 AI 硬件的瓶颈一直在挪。先是算力不够,然后是显存不够,再然后是带宽不够。这三件事都有对应的解法:堆核心、堆容量、上 HBM。但有一条线一直没人绕过去——优化器。

训练大模型用的二阶优化方法(牛顿法这一类),核心步骤要求 Hessian 矩阵的逆,也就是解矩阵方程。而数字芯片解矩阵方程的成本随阶数立方增长。模型越大,这一步越贵,贵到最后大家干脆退回一阶方法(Adam 这类),用更多的步数换更少的单步成本。

AX100 这类芯片要证明的,就是「这一步可以便宜到忽略不计」。如果成立,二阶优化就从「理论上更好但算不起」变成「可以真用」。这是它 92% / 56% 那两个数字真正的意义所在——不是「训练快了一倍」,而是「一种被迫放弃的算法重新变得可行」。

另外两个场景更直接:

机器人。运动控制、路径规划、SLAM 里的三维重建,本质都是「环境一变就要重解一次矩阵方程」。现在的做法是把这些塞进 GPU 或 NPU,用批量处理摊薄成本,代价是延迟。一颗能在 100 纳秒内给出答案的协处理器,改变的是控制回路的频率上限。

基站。5G/6G 大规模 MIMO 要同时处理几十根天线的信号,核心是「迫零」检测,也就是解一个矩阵方程。基站的功耗和散热预算卡得很死,80 毫瓦的单次求解在这里是硬通货。

怎么用 / 适用场景:谁真的用得上

它不会插在你的电脑上。它的商业位置只能是「协处理器」——CPU 或 GPU 把矩阵求解这一小段甩给它,剩下的照旧。

适合的三类人:

  • 做训练优化的算法团队:如果你的训练流程里有二阶优化、卡尔曼滤波、高斯过程这类反复求解线性系统的环节,值得跟踪它的精度披露。这类 workload 天然匹配。
  • 做机器人实时控制的团队:控制回路里如果有矩阵求逆,且延迟是真瓶颈,这是少数可能把回路频率提高一个数量级的路线。
  • 做基带/信号处理的团队:128×128 格拉姆矩阵这个场景是它自己给的例子,也是最能对得上真实 workload 的一个。

怎么用这一步,现实答案是不用。现在没有开发板、没有 SDK、没有编译器,你连一行代码都写不了。眼下能做的是把它记进技术雷达,等精度披露。

不适用场景:它解决不了什么

这一节比上一节重要。

  • 跑不了任何通用计算。没有控制流、没有非线性函数、跑不了操作系统。你不能拿它跑大模型推理,也不能拿它替代 GPU 的任何一部分,除了矩阵求解那一小块。
  • 不解决先进制程卡脖子。「不依赖先进制程」的正确读法不是「中国芯片翻身了」,而是「这条路线把竞争维度从光刻换成了器件一致性」。绕开光刻不等于绕开难题,只是换了一道难题。真正实打实的好处是:成熟产线就能做,产能不被先进制程排产卡住。
  • 不适合需要高确定性的场景。模拟计算的输出随温度、老化漂移,没有数字电路的比特级可复现性。金融定价、科学计算这类要求「分毫不差」的场合,它进不去。
  • 不适合小矩阵。为了解 4×4 的方程专门走一趟模拟链路,开销全在数据搬运上,不如数字芯片顺手。

避坑:三个最容易被带偏的说法

第一个坑:把「千倍」当算力。 前面拆过了——那是特定规模、特定任务、特定口径下的时延比,不是通用算力比。

第二个坑:把「流片」当「量产」。 流片是「设计送去工厂做出来,看能不能亮」。从点亮到稳定出货,中间还有良率、可靠性、封装、测试、成本五道关。报道自己的表述是「完全符合理论仿真与设计预期」——这句话的潜台词是:对标的是自己的仿真,不是第三方的实测基准。

第三个坑:把论文数据当芯片数据。 论文给的是 16×16 矩阵、24 位定点、相对误差 1e-7。AX100 的官方披露只说「不到 100 纳秒、约 80 毫瓦」,没有给位数、没有给相对误差、没有给阵列规模。而模拟计算的全部难点就在这三个数上。一个不给精度的「快」,是没有意义的快。

成本与时间:多久能买到

官方没有公布价格,没有时间表,也没有客户名单。

一颗芯片从流片到进客户物料清单,通常要 18 到 36 个月。这条路上它需要跨过:精度验证、第三方基准、小批量出货、客户导入认证。任何一环卡住,时间就往后推。

更现实的观察是公司体量。安纳智芯成立于 2025 年 11 月,到这篇报道正好满一年,公开信息显示注册资本在十几万元量级,融资走到 A 轮前后。这个体量支撑一颗芯片走完量产全程,中间至少还要两到三轮融资。

所以对采购方来说,「明年能买到」这个预期是不成立的。对技术跟踪者来说,2027 年上半年是一个合理的观察节点——如果那时还没有精度披露和第三方测试,这条线就该降级。

行动建议:第一步该盯什么

第一步,先盯精度披露,其他都往后放。 这是唯一能证伪的指标。如果后续公布「24 位定点、相对误差 1e-7、阵列规模 128×128」,说明论文成果真的落了地;如果只反复讲「100 纳秒、80 毫瓦」而不提精度,说明还没到那一步。

按重要性往下排:

  1. 精度与规模:位数、相对误差、能解的矩阵阶数上限。三项缺一,这条线就还停在「演示」阶段。
  2. 第三方基准:MLPerf 这类公开榜单,或者至少一篇有同行评议的论文。企业自测数据在半导体行业的历史命中率并不高。
  3. 量产与客户:小批量出货、进某家客户的物料清单、拿到车规或工业级认证。这三个信号出现任意一个,性质就从「技术」变成「生意」。
  4. 生态:有没有编译器、有没有算子库、客户要不要重写算法。历史上所有新型计算架构都死在这一步,而不是死在硬件指标上。

一句话总结:这是「模拟计算」这条被判死半个世纪的技术路线,第一次出现能上成熟产线的形态。它值不值得跟,取决于接下来半年它敢不敢公布精度。最接近和到了之间,隔着量产和客户两道门。

参考来源

评论

0 条已公开
登录或注册后可以参与评论。

正在加载评论...