可弯折超4万次！清华造出柔性AI芯片，健康监测准确率超99％

“中国造”AI 芯片再发 Nature。芯片良率达 92.1%，反复弯折到 180 度，连续弯 4 万多次计算能力丝毫没下降。连续进行 100 亿次乘法运算，一个错误都没出现。通过了 −40°C 至 80°C 的冷热冲击及高湿和光照老化，并在常规条件下长期放置 6 个月以上，性能依然稳定。芯片成本最低只有 0.016 美元，比一块糖果还要便宜。

这便是清华大学任天令教授团队打造的一种名为 FLEXI 的超薄可弯曲 AI 芯片，它薄如蝉翼厚度只有大约 25 微米，轻得几乎感觉不到，却能像人脑一样思考，也能处理复杂的数据。它可以被反复折叠，卷曲 4 万多次而不会损坏，甚至可以缝进衣服、贴在皮肤上，也能植入医疗设备之中成为我们身体的第二层智能皮肤。

FLEXI 芯片非常适合运行 AI 任务，比如识别图像、理解语音和分析心电图等。因为这些任务本质上就是做大量的乘法累加计算。同时，FLEXI 芯片可以一并运行成千上万次这样的运算，真正做到又快又准。

首次在柔性平台实现存内计算架构，真正面向 AI 与神经网络应用

谈及芯片成本，论文第一作者、清华大学闫岸之博士告诉 DeepTech：“0.016 美元是一个基于批量生产估算的工程数据。柔性工艺本身的物料成本并不高。我们主要考虑的是非一次性成本，也就是大批量生产时的平均成本。这包括了每片面板的材料费、沉积、光刻等工艺的设备分摊费用等。像掩膜版这类一次性投入，在量产规模下可以被摊薄到很低。”

目前，FLEXI 芯片已在健康监测场景中完成应用验证。研究团队围绕该芯片开展多生理信号健康监测研究，通过采集心率、呼吸、体温和皮肤湿度等数据训练神经网络模型，并将模型部署至 FLEXI 芯片上，实现高能效的片上本地推理分析。

比如，它能在单次心跳中识别出心律不齐的迹象，准确率高达 99.2%；也能判断一个人是在静坐、走路、跑步还是情绪紧张，准确率超过 97.4%。这意味着未来我们可以拥有更智能、更贴身的健康助手，及时发现身体异常，甚至能够预防疾病发生。

比如，未来你手上的健康手腕不仅能够记录心跳和步数，还可以实时分析心电图，在心跳出现异常之前发出预警；你穿的衣服则有可能感知你的体温、汗水和呼吸，随后自动地调节温度，并能在你疲劳时提醒你休息。而这些，都有可能依赖 FLEXI 这块可弯曲的 AI 芯片加以实现。

谈及能够发在 Nature 的原因，闫岸之表示：“我认为核心还是工作本身扎实且具有突破性。这一点从同期 Nature 新闻评论中也能看出，柔性电子领域的知名学者比利时鲁汶大学 Kris Myny 教授评价我们的工作填补了空白，是当前最先进的柔性平台之一。在性能指标上，无论是频率、能效还是能量延迟积，我们都显著超越了此前已报道的柔性芯片。”

他继续说道：“我们首次在柔性平台上实现了存内计算架构，真正面向 AI 与神经网络应用。其次，我们是首个将时钟频率提升到 10MHz 以上的柔性芯片，而此前同类芯片多在 1MHz 左右。此外，我们也是首个采用工业标准进行系统化机械与老化测试的柔性芯片研究，从可靠性角度建立了新的评估范式。”

打破传统芯片思路，在内存里直接做数学

传统电脑或者手机芯片里的大脑分为两部分：计算中心（CPU）和记忆仓库（内存）。每次处理数据时，CPU 都要从内存里搬运数据过来，算完再存回去，这个过程很慢很耗电，就好比每做一道数学题都要跑一趟图书馆查公式一样。

FLEXI 芯片采用了一种名为存内计算的新设计，能够把计算单元直接建在记忆仓库里，让数据在原地就能完成计算。这就等于把公式和计算器带在身边，不用来回跑图书馆，那自然就能飞快做题，而且还特别省电。

闫岸之表示，要为柔性设备赋予真正的智能，必须引入存内计算这样的高能效架构。传统 CPU 的能效和算力难以支撑神经网络任务，而数字存算结构既能提供高并行计算能力，又具备良好的鲁棒性，适合在机械应力多变的环境中使用。

你可能以为芯片都是在硅晶圆上刻出来的硬邦邦的小方块。但是，FLEXI 芯片使用一种名为低温多晶硅的材料，像印刷报纸一样印在柔软的塑料薄膜上的。

这种材料和传统硅材料相比，虽然性能稍逊，但优点是可弯曲、成本低、适合大规模生产。该团队通过优化制造工艺，让它既柔软又高效，还能集成成千上万个微型晶体管。

他们还从以下三个方面进行了同时优化：材料工艺、电路设计、AI 算法，让芯片在保持低功耗的同时，还能高速运行神经网络。他们甚至设计了一套轻量化的 AI 模型，可以直接一次性烧录进入芯片，无需反复读写，极大提升了效率。

实现传统刚性芯片难以达到的性能

闫岸之告诉 DeepTech：“相比于传统刚性芯片使用的高纯度单晶硅，我们采用的低温多晶硅在半导体参数上虽然有所差距，但在柔性芯片体系中，我们在精度和能效上已经做到了当前最先进的水平。这背后主要是通过我们在论文中提到的 CLCO 策略——也就是工艺、电路、算法多层级协同优化来实现的。”

在工艺层面，他们通过大量的实验和模拟，充分掌握了薄膜厚度、晶体管参数等在制造过程中的分布规律，特别是针对柔性 CMOS 工艺进行了多次迭代优化。

在电路层面，他们采用了数字存内计算架构，这在器件一致性较差的柔性工艺中，相比模拟方案更能抵抗工艺波动和环境变化的影响，同时也省去了功耗较大的模数转换模块。

在算法层面，他们采用了一次性部署的轻量化神经网络方案，即使是在仅 1 Kbit 存储的芯片上也能完整运行，避免了外存数据搬运带来的功耗和延迟，显著提升了芯片在实际边缘场景中的可用性。

闫岸之补充称，本次芯片在 AI 应用上的核心思路是一次性部署，即让整个神经网络完全运行在存算芯片内部，避免与外存频繁交换数据。为此，他们采用量化感知训练等方法，在压缩模型规模的同时尽量保持精度，实现了又小又准。

他们还测试了包括手写数字识别、语音唤醒、心律失常检测等多个任务，在 1 Kbit 芯片上实现心律分类 99.2% 的准确率。此外，还通过多生理信号融合，实现了对人体日常活动模式的识别。

对于应用前景，闫岸之有着更多畅想。他表示：“医疗健康是一个重要的方向，除此之外，我认为它在柔性机器人领域会有很大潜力。”

利用 FLEXI 芯片可以大面积延展的特性，能够为机器人制作电子皮肤，解决现有机器人近距离感知能力不足的问题。例如结合红外传感器，实现非接触式的距离感知与避障。此外，它也非常适合用于脑机接口这类神经探针设备。

柔性材质能更好地贴合生物组织，实现高通量神经信号采集与前端实时处理。对于近年来发展迅速的可变形机器人，FLEXI 芯片在复杂曲面上具有天然优势，可用于局部运动控制、环境识别等任务，甚至可以应用于微型飞行器的导航与通信。

未来，清华大学团队希望能将芯片集成在电子皮肤、可植入神经探针、甚至语音交互贴片等场景中，让人机交互更自然、更高效。

能够取得今天的成果，自然离不开团队。闫岸之最后表示：“任天令教授等始终尊重科研探索的客观规律，同学们在长期研究中难免遭遇挫折、走入弯路甚至经历失败，老师从不会苛责，反而耐心引导，鼓励我们沉下心来独立思考、深入探索。

团队倡导交叉研究与大胆探索，不同研究方向的同学可随时交流探讨，遇到科研难题也能根据需求组建团队协同攻关，这是这样开放务实的科研氛围，让我们敢于探索、勇于尝试，诸多创新想法也得以生根发芽、落地推进。”

参考资料：

相关论文 https://www.nature.com/articles/s41586-025-09931-x

运营/排版：何晨龙