北大重磅突破！模拟计算攻克24位精度难关，算力能效飙升千倍

北京大学研究团队在《自然・电子学》发表了一项硬核成果，把模拟计算的精度做到了24位定点水平，这是首次实现和数字计算相当的准确度。

困扰科学界几十年的模拟计算“精度瓶颈”，就这么被咱们国内团队给解决了。

我以前一直觉得模拟计算就是被淘汰的老技术，没想到现在能逆袭，这背后的逻辑真的挺让人好奇。

数字计算处理数据得先转成二进制，比如把“十”变成“1010”，而模拟计算直接用十伏电压这种连续物理量代表“十”。

孙仲研究员的这个比喻特别好懂，也点出了模拟计算的核心特质——用物理定律直接做数学运算。

早年间，模拟计算还在科学计算、工程设计里占主导，但随着任务越来越复杂，精度不够的问题暴露出来，最后被数字计算抢了风头。

这半个多世纪里，数字计算几乎垄断了整个行业，没人想到模拟计算还能卷土重来。

不过现在不一样了，数字计算的冯・诺伊曼架构有个硬伤，计算和存储分开，数据传输的时候能耗特别大，这也成了它性能提升的天花板。

模拟计算：从“过时技术”到“算力黑马”

北大团队的突破不是单点发力，而是器件、电路、算法三层配合的结果。

本来想简单说下技术原理，但后来发现得讲明白这三层的关系才好理解。

核心器件用的是可编程阻变存储器，电压能调节它的电阻值，既能存数据又能做计算，真正实现了“存算一体”。

这种设计刚好避开了数字计算数据传输的能耗问题，算是从根上解决了痛点。

电路设计方面，孙仲团队2019年就做出了基于阻变存储器阵列的矩阵方程求解电路，只是当时精度只有1%左右。

经过好几年的优化，他们把这款原创电路和其他技术整合起来，性能一下就上去了。

算法上的巧思更关键，他们用位切片技术把24位精度拆成8个3位模块，再用迭代优化的方法，先拿低精度电路出个粗解，再用高精度乘法器修正，几次下来就能得到精确结果。

如此看来，这个技术的性能确实能打。

在矩阵运算里，它的相对误差能降到很低，完全满足科学计算和工程应用的要求。

更让人惊喜的是算力和能效，处理大规模矩阵的时候，吞吐量是顶级数字处理器的上千倍，能效也提升了上百倍。

现在全球数据中心能耗越来越高，这种低能耗的算力方案，不管是降低运营成本还是实现碳中和，都有重要意义。

它的落地场景也很实在，比如6G通信里的大规模MIMO信号检测，天线数量多了之后计算复杂度会指数级增长，模拟计算芯片刚好能应对这个问题。

经测试，仅三次迭代，便能恢复出清晰结果。其误码率与运用32位数字计算时几近相同，充分展现出高效精准之特性。

而且它还适合AI二阶优化算法、机器人运动规划这些高耗能场景，低功耗的特点也能让复杂AI算法在智能穿戴、工业传感器这些终端设备上运行，减少对云端的依赖。

和国内外其他“存算一体”方案比，北大团队选的路线更难。

别人大多聚焦矩阵乘法，他们直接攻克了更复杂的矩阵方程求解，这种立方级时间复杂度的任务，刚好能发挥模拟计算的优势。

三层创新+产业协同：国产算力的破局之道

北大的这个突破不是孤立事件，国内芯片产业整体都在发力。

复旦大学的“长缨”架构解决了二维信息器件工程化的难题，沐曦集成电路推出了全国产通用GPU“曦云C600”，这些成果凑到一起，才构成了国产芯片自主创新的完整图景。

产业链的支撑也越来越完善，新凯来的半导体设备、万里眼的90GHz示波器，还有宏泰半导体在测试设备领域的突破，都为高端芯片研发提供了保障。

在资本领域，深圳设立了规模达50亿元的半导体与集成电路基金。该基金着重投向算力、新型存储等核心领域，有了资金的有力支撑，技术转化的进程也将更为迅疾。

孙仲的观点我很认同，未来不同计算范式会互补共存，而不是互相替代。

在运算体系中，CPU依旧担当通用“总指挥”之责；GPU着力于矩阵乘法加速；而模拟计算芯片则专攻AI领域里能耗极高的矩阵逆运算，各司其职。

这种异构计算架构能让每种计算方式都发挥优势，给前沿应用提供更全面的算力支持。

本来想只讲北大这一个成果，但后来发现，没有整个产业的协同，单个技术突破也很难走得远。

北京大学研发的模拟计算芯片，宛如一块精准的拼图，恰到好处地填补了国产算力领域的一处短板，为我国算力发展的完整版图添上了关键一笔。

其价值不仅彰显于技术维度，更在于实证模拟计算能够攻克现代科学工程的核心计算难关，为算力提升开辟了一条全新的路径，可谓意义重大、影响深远。

毫无疑问，随着产业化推进，模拟计算会在更多场景落地。

从6G基站到边缘智能设备，这种高效能、低功耗的算力方案，会让计算生态变得更多元。

而国产芯片产业的协同创新，也会让我们在全球算力竞争中更有底气。

由北大团队引领的模拟计算复兴浪潮正澎湃而来，其如同一把钥匙，正缓缓开启一个绿色高效、充满无限可能的算力新时代，为未来发展注入新的活力。