一句话结论
北京大学孙仲团队联合 IBM 等机构在《自然》发表综述，确立高精度现代模拟计算范式，性能超数字芯片百倍。
关键要点
- 北京大学人工智能研究院孙仲领导团队在《自然》（Nature）旗下期刊发表综述，正式定义“现代模拟计算”（Modern Analog Computing）。
- 团队基于阻变存储器实现 24 位定点精度，3 次迭代误差达 $10^{-4}$，收敛至 $10^{-7}$，性能比肩英伟达 H100。
- 实测扩展至 512×512 维度，吞吐量约为主流 GPU 的 1000 倍，能效提升约 100 倍，制造成本具备 10 倍优势。
- 北京大学团队在 5G-A 与 6G 基站实验中验证技术，3 次迭代零误差还原 256-QAM 星座图，误码率曲线与数字 FP32 方案重合。
- 团队计划在 3 至 5 年内将芯片扩展至数千个并行模拟核，原生支持大模型二阶优化训练，解决海森矩阵逆求解难题。
背景与事实
北京大学人工智能研究院长聘副教授孙仲，联合 IBM 苏黎世研究院、Unconventional AI 等机构，在《自然》（Nature）旗下期刊发表综述，重新定义“现代模拟计算”。孙仲兼任安纳智芯（Anaxia）首席科学家。IBM 深耕该领域超过 10 年；Unconventional AI 估值超过 45 亿美元，由前 Databricks AI 负责人 Naveen Rao 创立，与 Normal Computing 宣称将 AI 能耗降至千分之一。
技术层面，该定义面向人工智能与 6G 矩阵计算，基于阻变存储器（RRAM/忆阻器）实现高精度与可扩展性。原理是利用阻变存储器可改写的电导特性，结合欧姆定律完成乘法，基尔霍夫定律完成求和；引入全局负反馈闭环，纳秒级收敛方程解。精度方面，2025 年 10 月在《自然·电子学》（Nature Electronics）发表方案，采用位切片技术，使用 8 个离散电导态（3 比特）拼接实现 24 位定点精度，3 次迭代误差达 $10^{-4}$，收敛至 $10^{-7}$，追平 FP32。规模扩展通过 BlockAMC 分块算法，实测扩展至 512×512 维度。性能指标显示，相比英伟达（NVIDIA）H100 单核及数字专用集成电路（ASIC），吞吐量约为 1000 倍，能效约为 100 倍。制造工艺上，阻变存储器可在 28nm 或 22nm 成熟制程制造，综合成本较主流 GPU 具备约 10 倍优势。
安纳智芯预计一年内推出面向具身智能运动控制的演示，利用微秒级解算能力提升机器人动作流畅度。北京大学团队聚焦 6G 大规模 MIMO（多输入多输出）信号处理，在 5G-A 与 6G 基站实验中实现 3 次迭代零误差还原图像及 256-QAM 星座图，误码率曲线与数字 FP32 方案重合。团队计划在 3 至 5 年内将芯片扩展至数千个并行模拟核，原生支持大模型二阶优化训练。二阶优化理论收敛快，但需求解海森矩阵逆，过去数字 GPU 算力不足，需 5 次矩阵乘法迭代近似。硅谷企业 Normal Computing 由前谷歌大脑（Google Brain）与 Palantir 团队创立，2025 年流片热力学计算芯片 CN101，累计融资逾 8500 万美元，投资方包括三星（Samsung）、First Spark Ventures 及英国 ARIA；其 2026 年论文使用闭环负反馈模拟求逆电路，拓扑与孙仲研究一致。孙仲 2019 年以第一作者发表《美国科学院院刊》（PNAS）阻变阵列研究，2025 年《自然·电子学》论文创该刊九年最高阅读纪录，入选“2025 中国芯片科学十大进展”及“2026 中关村论坛常设展”。综述确立“现代模拟计算”术语，强调高精度为产业落地先决条件，对比硅谷侧重降低能耗与国内侧重提高计算速度的差异。
影响分析
对中国开发者与从业者而言，这一技术突破提供了替代数字芯片的新路径，尤其在大模型二阶优化训练场景中，可将原本需 5 次迭代近似的海森矩阵逆求解简化为原生支持，显著降低算力门槛。这意味着国内在大模型训练基础设施上可能形成差异化优势，利用成熟制程（28nm/22nm）制造成本优势，快速部署高吞吐量计算节点，减少对先进制程数字 GPU 的依赖。
对 6G 通信行业，技术已验证在大规模 MIMO 信号处理中的零误差还原能力，误码率曲线与数字方案重合，为基站侧实时信号处理提供了能效提升 100 倍的方案，有助于解决 6G 海量连接下的功耗瓶颈。从业者需关注技术落地节奏，安纳智芯一年内推出的具身智能演示将成为早期应用参考，但 3 至 5 年数千并行核的扩展计划提示短期内仍以 512×512 维度为主，大规模部署需等待制程与封装工艺成熟。
适用边界
该结论适用于追求高能效矩阵运算的场景，如大模型训练、6G 信号处理及具身智能控制，但不适用于对精度要求超过 24 位定点或需实时高频更新的非矩阵运算场景。28nm/22nm 成熟制程虽具成本优势，但受限制程物理特性，无法替代 7nm 以下先进制程在逻辑密度上的优势，因此在通用计算领域缺乏竞争力。
孤本观察
国内团队侧重提高计算速度，与硅谷侧重降低能耗形成路径分野，折射出中国算力产业在制程受限背景下，通过模拟计算开辟高能效替代路线的战略选择。
常见问题
该模拟计算技术实现了多少位定点精度？其性能与主流GPU相比如何？
实现24位定点精度，3次迭代误差达10^-4并收敛至10^-7。实测吞吐量约为H100的1000倍，能效提升约100倍，制造成本具备10倍优势。
安纳智芯与北京大学团队计划在何时实现芯片的大规模扩展及大模型二阶优化支持？
计划在3至5年内将芯片扩展至数千个并行模拟核，原生支持大模型二阶优化训练，解决海森矩阵逆求解难题。
该技术在6G通信基站实验中验证了哪些具体指标？
在5G-A与6G基站实验中，3次迭代零误差还原256-QAM星座图，误码率曲线与数字FP32方案完全重合。
该模拟计算芯片采用何种工艺制造，具备什么成本优势及适用边界？
采用28nm或22nm成熟制程制造，综合成本较主流GPU具备约10倍优势。适用于高能效矩阵运算，但不适用于需超过24位精度或非矩阵运算场景。
联合发表该综述的机构有哪些？其中Unconventional AI的估值及创立者背景是什么？
由北京大学孙仲团队联合IBM等机构发表。Unconventional AI估值超45亿美元，由前Databricks AI负责人Naveen Rao创立。
来源：量子位