模拟之光：破局算力困局
2080年，地球科技在人工智能的推动下，已然进入了一个全新的纪元。城市的天际线被高耸入云的量子数据中心所占据，这些数据中心如同巨大的能量漩涡，源源不断地为全球的AI系统提供着算力支持。然而，在这繁荣的背后，一场隐秘的危机正悄然蔓延。
摩尔定律，这个曾经指引半导体行业飞速发展的黄金法则，如今已走到了尽头。晶体管的尺寸再也无法像过去那样每隔18至24个月就缩小一半，数字芯片的发展陷入了停滞。为了维持算力的增长，各大科技巨头不得不采用最原始却也最无奈的方法——横向堆叠计算卡。少则百卡，多则万卡、十万卡的集群规模，如同一片片由钢铁和电路构成的森林，在地球上拔地而起。
但这种疯狂的堆叠带来了一个致命的问题——能耗。这些庞大的计算集群就像一个个贪婪的能量怪兽，吞噬着地球上日益稀缺的能源。碳排放如同脱缰的野马，呈指数级上升，地球的生态环境岌岌可危。各国政府纷纷出台严格的“双碳”政策，试图遏制这股疯狂的能耗浪潮，但在算力的巨大需求面前，这些政策显得苍白无力。
与此同时，AI的应用场景却在不断拓展。6G通信、具身智能、AI大模型训练……每一个领域都对算力提出了前所未有的要求。英伟达，这个凭借GPU在AI时代崛起的科技巨头，虽然依然占据着市场的霸主地位，但面对日益严峻的算力与能耗挑战，也开始显得力不从心。人们不禁开始怀疑，GPU还能一直“称王”下去吗？
在这片看似绝望的黑暗中，一支来自中国的科研团队，如同夜空中闪烁的希望之星，悄然崭露头角。北京大学人工智能研究院/集成电路学院双聘助理教授孙仲，与集成电路学院的蔡一茂教授、王宗巍助理教授率领的团队，在模拟计算的领域里默默耕耘了多年。他们坚信，模拟计算，这个在上世纪30至60年代曾风靡一时，却因精度瓶颈被数字计算取代的技术，正是突破当前算力困局的关键。
孙仲，这位年轻而充满激情的科学家，从小就对计算有着浓厚的兴趣。他热爱且擅长模拟计算领域的研究，从聚焦AI算法底层通用矩阵计算加速研究，到在《自然·电子学》《自然·通讯》等顶刊发表系列成果，他始终锚定模拟计算，从未动摇。在他看来，数字计算虽然如今占据着主导地位，但它并非一种高效的计算方式。以一次简单的“1 + 1”运算为例，数字计算需要动用28个晶体管，而模拟计算则可以通过物理定律直接完成，在硬件资源开销与能耗上均下降数个量级。
然而，模拟计算也并非完美无缺。长期以来，精度问题一直是困扰模拟计算发展的关键痛点。早期模拟计算追求连续函数输出，极易受噪声影响，导致结果漂移，加之当时缺乏稳定的器件，模拟精度难以保证，因此业界普遍转向了数字范式。但孙仲和他的团队并没有被这些困难吓倒，他们决心要解决模拟计算“算不准”的难题。
经过无数个日夜的努力，他们终于迎来了突破的时刻。今年10月，他们成功研制出了基于阻变存储器的高精度、可扩展模拟矩阵计算芯片。这款芯片在全球范围内首次将模拟计算的精度提升至24位定点精度，将相对误差从1%大幅压降至千万分之一（10⁻⁷）量级，相当于把长期困扰模拟计算的“鲠”拿了出来。这一成果一经公布，立刻在全球科技界引起了轰动。
这款新型芯片以阻变存储器为介质，摒弃了传统硅基晶体管与逻辑门，采用类比方式完成计算。具体而言，就是将待解的矩阵方程映射至电路物理量，使电路自发求解矩阵方程，而非由逻辑门一步步推算。为了提升精度，他们沿用了计算机领域的经典迭代优化算法，基于2019年提出的低精度电路来解方程，再以高精度模拟计算电路反复修正，仅需数次迭代就能把精度提升非常多，并且能效仍比数字计算高数个量级。
然而，成功从来都不是一帆风顺的。在研制过程中，他们也遇到了许多困难。严格意义上的困难集中在认知层面。模拟计算长期被贴上“低精度”标签，早期他们自己也接受这个设定，所以在2019—2022年间，他们陆续设计了多款电路，解各类矩阵方程，但都停留在低精度（1%左右的相对误差）。每当向外推介时，对方一句“精度问题怎么解决”便足以让讨论终止，低精度应用的局限性显而易见。
但孙仲和他的团队并没有放弃。他们深知，真正要应用的话，高精度肯定是一个基本需求，只有突破了精度瓶颈，才能谈规模应用。他们不断尝试，不断改进，终于在2024年取得了重大突破。这款新型芯片的创新点主要体现在三个方面：在器件层面，首次采用已可量产的、足够成熟的阻变存储器作为核心器件，面向矩阵方程求解，形成“现代模拟计算”范式；在电路层面，提出一种全新的反馈电路，可以在不显著增加能耗与延时的前提下，将计算误差由1%降低至千万分之一量级，使模拟计算首次具备与FP32等同的数值可靠性；在算法层面，引入了经典的迭代优化及“位切片”算法，将24位定点数拆分为8组3位并行或串行处理，再通过移位相加得到全精度结果，从而高效实现高精度矩阵乘法。
随着新型芯片的研制成功，孙仲和他的团队开始思考它的应用前景。目前，这款芯片还处在实验室阶段，他们假设未来6G大规模MIMO（天线阵列）的某类任务由他们的芯片执行，并给出相应的性能评估，属于原理性验证，并非现网实测。由于实验室的规模比较小，尚无法与高端数字芯片抗衡。晶体管已经可做到纳米尺度并且运行频率极高，在小规模任务上优势明显。他们的芯片更适用于中等规模场景，也就是在中等规模才能发挥出优势。太小则性能不及，超大规模则暂时够不着。
不过，这并不影响他们对未来的憧憬。他们发现，目前所有主流AI训练均为一阶方法，二阶训练方法速度会更快，迭代次数会更少，但是每次迭代都要解一次矩阵方程，单次计算量巨大，这对于数字芯片来说是很难的。但他们的技术恰好可以去做快速矩阵方程求解，因此理论上非常适合来做二阶训练的加速。无论是小规模的神经网络，还是千亿参数的大模型，都可以使用二阶训练，而他们的芯片将为AI训练带来新的变革。
除了AI训练和6G，这款新型芯片还有着更广阔的应用前景。具身智能、超级计算等领域都将是它的用武之地。像气象预报、量子力学、热扩散模拟等超级计算都是解微分方程，而微分方程在数字计算机上需转成矩阵方程后才能求解。因此，超算中心的绝大部分算力实质上都是用于解矩阵方程。所以，超算领域甚至可以是一个更大的、更契合的应用场景。
然而，要实现这些应用，他们还需要克服许多困难。首先，需要扩大芯片的矩阵规模，因为超算要解的都是很大的问题，涉及的矩阵规模可能是“百万×百万”级别的。他们不会直接去做“百万×百万”的阵列，而是通过算法设计实现“以小博大”——例如以512×512硬件求解1024×1024方程，以1024×1024硬件求解2048×2048方程，依此类推。而要实现芯片规模的扩大，就必须进行流片，去代工厂做。这也是相较于量子计算、光计算的显著优势——它们因材料与工艺条件差异，无法沿用当前生产线。
孙仲深知，从实验室到消费端，还有很长的路要走。首先，他们要扩大芯片的阵列规模；其次，必须投入大量工程资源，包括流片、测试、可靠性验证等量产前工作；最后，还需商业推动——说服产业链伙伴放弃现有方案、采用新技术，这都属于典型的市场行为。但他对未来充满信心，他设定了明确的工作节点：两年内把阵列从16×16提升至128×128，并力争扩展至512×512。达到这样的规模后，就能够在具身智能、6G通信等中等规模矩阵场景产生实际效用。
然而，芯片规模扩大必然伴随寄生效应、良率控制、功耗分布等工程挑战，要在两年内完成16×16到512×512的跃升，难度可想而知。需要在器件、电路与工艺层面同步优化，每一个环节都不能出现差错。但孙仲和他的团队并没有退缩，他们知道，新型芯片的问世，证实了一条新路径的可行性。他们需要提前做技术储备，当某类计算任务（如超级AI）急切需要做矩阵方程求解时，中国要有现成方案和团队站在那里。
GPU当年仅用于游戏，2012年因AI需求爆发而一飞冲天；同理，中国必须储备多种先进技术，以等待属于自己的“2012时刻”。当窗口开启，技术储备将决定我们能否抓住下一波浪潮。孙仲望着实验室里那闪烁着微光的芯片，心中充满了期待。他知道，这不仅仅是一块芯片，更是中国科技突破困境、引领未来的希望之光。在这片充满挑战与机遇的科技战场上，他和他的团队将继续砥砺前行，用智慧和汗水书写属于中国的辉煌篇章。