欢乐炸三张金花游戏app中国官方最新版 让矩阵归模拟, 让逻辑归数字! 这家中国团队重新界说了蓄意机

黄仁勋的GPU，解一谈矩阵方程，要作念上亿次乘法。

一家中国公司，一步就给解了，用的是模拟蓄意。

这家公司叫安纳智芯（Anatrix）。

往时几年，整个这个词AI行业险些都在往消释个标的决骤。GPU、TPU、LPU、CPU……民众卷来卷去，本色上卷的其实照旧数字蓄意：

更多晶体管、更先进的制程、更大带宽、更高蒙眬。

但最近，咱们发现存一批公司，驱动不按这个逻辑走了。

安纳即是其中之一。

他们采选的，是一个依然千里寂已久、但这两年又驱动火热的标的：

模拟蓄意。

这个宗旨听着新，其实少量都不新。

早在数字蓄意机大范畴擢升之前，东谈主类就依然在谈判模拟蓄意。最近很火的存算一体、光蓄意、量子蓄意、类脑芯片，往大了说，本色上也都属于这条路子。

之是以这两年重新被和蔼，一个很迫切的原因在于：

模拟蓄意自然具备更高并行度、更低功耗，何况不像数字芯片那样高度依赖先进制程。

但它的问题也很彰着，数字蓄意本色上处理的是0和1，只消能分裂高下电平，纰缪就能被不停改变。

而传统模拟蓄意由于是径直用物理信号暗示信息。电压、电流、电导这些量在传播进程中，容易积贮噪声和漂移。

矩阵范畴越大，纰缪放大得越夸张。

往时几十年，数字蓄意靠着摩尔定律沿途狂飙，精度被不停“硬堆”上去；而模拟蓄意诚然表面上更高效，却永久困在精度问题里。

行业里以致一直有一个很流行的不雅点：模拟蓄意很快、很省电，但不简直。精度，也因此成了模拟蓄意近几十年来最大的死结。

而安纳作念的，即是把它解开。

模拟蓄意的精度，不再是问题了

往时近十年里，安纳的中枢科学家一直在作念消释件事——

把模拟蓄意的末端，作念得充足简直。

客岁，团队完成了精度比好意思数字芯片水平的旨趣性考证，在模拟蓄意边界达到断档式早先，而本年，有关芯片现时依然投入流片阶段。

在时期路子上，安纳走的是一条越过典型、但也越过“硬核”的模拟蓄意路子：

基于存储器阵列，搭建非冯诺依曼架构芯片。

节略来说，即是把矩阵方程径直映射进物理电路，让电路本人成为方程求解器。

输入给进去，测输出，输出即是解。

也正因如斯，那些GPU没主见径直求解、只可靠海量迭代迫临的矩阵方程，在安纳这里，不错一步完成，并保执精准。

（注：GPU拿到一个512×512的矩阵方程后，第一件事并不是“径直解”。它会先把问题斥逐、转置、理会，再转动成海量矩阵乘加运算，通过一轮轮迭代逐步迫临谜底。整个这个词进程，时常需要上亿次乘法。）

但非凡念念的是。

即便精度问题驱动被措置，今天大大都模拟蓄意公司依然莫得遴荐这条路。

像Unconventional AI、Normal Computing、EnCharge AI这些近两年最受和蔼的模拟蓄意创业公司，主打的依然是低功耗、存算一体或者特定场景加快。

（注：模拟蓄意正在重新取得老本市集和蔼。2025年底，主打低功耗模拟芯片的 Unconventional AI在种子轮便取得Lightspeed Venture Partners和a16z攀附领投的4.75亿好意思元融资，估值接近45亿好意思元；专注热力学蓄意的Normal Computing于本年3月完成由三星领投的5000万好意思元融资；而存算一体公司EnCharge AI客岁也完成了越过1亿好意思元的B轮融资。）

这背后其实对应着两种都备不同的谈判形而上学。

一种念念路是给与模拟蓄意存在纰缪，在低精度条目下寻找“够用”的利用场景。

另一种念念路，则是先把精度作念到极限，再商讨成果和成本。

安纳属于后者。

在与量子位疏导时，团队反复提到一个不雅点：

整个蓄意平台的发展历史，险些都是先把精度作念到天花板，再左证场景需求向下作念选择。

数字蓄意亦然如斯，AI模子考验里，先有FP32，再向下兼容FP16、INT8、INT4。

要是一驱动就在低精度里寻找“够用”，许多才智可能永远莫得契机被考证。

从上世纪80年代末的类脑蓄意，到自后的模拟神经收罗，再到今天的存算一体，雷同的故事其实依然反复出现过许屡次。

是以，并不是追求精度这件事有争议，而是在往时很耐久间里，由于模拟蓄意精度低是固有的，民众停留在这一层面，存在领会上的偏差，于是只可退而求其次。

而安纳率先完成了领会上的打破，他们信得过想作念的，即是把高精度模拟蓄意推向可用。

整个东谈主都在作念乘法，欢乐炸三张金花游戏app中国官方最新版安纳想把“除法”补追溯

除了对精度的格调，安纳和其他模拟蓄意公司的不同，还在于他们选了一个都备不相同的标的：

矩阵求逆。

今天作念模拟蓄意的公司，不论是存算一体、模拟CIM，照旧多样类脑、光蓄意路子，险些都在作念矩阵乘法。

这其实很好意会，因为整个这个词AI产业，本色上即是建造在矩阵乘法之上的。

一方面，GPU本人就极其擅长矩阵乘法；另一方面。大模子推理，也险些全是矩阵乘法，是以

整个这个词行业的念念路都很当然——

既然模拟蓄意更省电、更并行，那就拿它去替代一部分GPU的矩阵乘法，但安纳并莫得这样作念，他们遴荐了更第一性的矩阵求逆。

那么，矩阵乘法和矩阵求逆有啥不相同呢？

节略来说，矩阵乘法，本色上是“知因求果”。权重已知、参数已知，乘起来、加起来，临了得到末端。

而矩阵求逆反过来。末端依然知谈了，但中间信得过的参数、权重、景象未知，你需要反过来把它求出来，从末端反推原因。

对应到大模子里也很好意会：矩阵乘法更多对应推理，而矩阵求逆则更接近考验。

因为考验本色上，即是已知输入和输出，再反过来寻找中间最稳健的参数。

（注：今上帝流数字蓄意的作念法，依然是把底本需要径直求解的问题，转动成海量矩阵乘法，再通过不停迭代去迫临谜底。）

事实上，矩阵求逆并不局限于大模子考验。实验宇宙里信得过难的问题，许多其实都是“逆问题”。

比如，机器东谈主为什么会跌倒？自动驾驶怎么从传感器数据里还原真实景象？通讯系统怎么从夹杂信号里恢收复始信息？

这些问题，底层都在作念消释件事：从末端反推原因。

而这，恰正是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。它的作念法，本色上是绕。

先把一个求逆问题斥逐，再转动成海量矩阵乘法，然后通过不停迭代，一轮轮迫临最终谜底。

是以GPU不是“径直解”，而是在“迫临解”，这亦然为什么，咱们前边会看到阿谁“一亿步”和“一步”的离别。

为了愈加深刻地意会这两者的各异，安纳还给咱们打了一个很形象的比喻。

比如你要建长城。矩阵求逆就像“砖”。而数字芯片手里其实莫得砖。它独一沙子、土壤、原料。

是以它得先和泥、烧制、成型，临了才能得到一块砖，再拿这块砖去建长城。

模拟蓄意芯片，则是径直把砖给你。你无谓再从沙子驱动。是以这不是“快少量”或者“省少量”的区别，而是蓄意范式本人不同。

一个是在不停迭代迫临。

一个则是原生求解。

安纳想作念的，即是把这块缺失了许多年的“砖”，重新补追溯。

让矩阵归模拟，让逻辑归数字

说到临了，一个很实验的问题摆在眼前：

模拟蓄意这块“砖”，到底怎么插进今天依然高度练习的AI基础措施里？

安纳给出的谜底很节略：让矩阵归模拟，让逻辑归数字。

据了解，他们的模拟芯片在接口、数据边幅和互联形式上，都兼容现存GPU体系，不错径直接入今天依然scale起来的AI Infra和算力中心。

更迫切的是，它不依赖首先进制程。

当数字芯片还在3nm、2nm上络续向物理极限迫临时，模拟蓄意某种意思意思上依然跳出了那套“拼晶体管、拼工艺、拼堆叠”的竞争逻辑。

而一朝矩阵求逆这块“砖”信得过补上，它带来的变化，可能会比设想中更大。

机器学习里的优化问题、具身智能的及时清爽已毕、自动驾驶的景象臆测、6G通讯里的信号酬报、端侧AI的在线学习……这些系统背后，本色上都在高频求解矩阵方程。

往时许多问题不是不可作念，而是太慢、太贵、太耗电。

而矩阵求逆一朝大要被原生、高精度、低功耗地完成，许多往时只可放在云表、只可离线考验、只可近似求解的事情，可能都会驱动发生变化。

是以回头再看，安纳想作念的，其实不仅仅一颗“更快更省电的芯片”。

他们信得过想切入的，是下一代智能系统最底层的蓄意形式。

2012年，东谈主们第一次意志到，GPU不仅能绘制，还能考验神经收罗。

AI期间由此开启。

而今天，安纳试图回答的是另一个问题：

要是矩阵乘法界说了往时十年的AI，那么模拟蓄意和矩阵求逆，会不会界说下一代智能系统？

至少当今欢乐炸三张金花游戏app中国官方最新版，他们依然站在了这个问题的最前排。