黄仁勋的GPU，解一说念矩阵方程，要作念上亿次乘法。
一家中国公司，一步就给解了，用的是模拟计较。
这家公司叫安纳智芯（Anatrix）。
昔时几年，系数这个词AI行业险些齐在往团结个标的决骤。GPU、TPU、LPU、CPU……公共卷来卷去，实质上卷的其实照旧数字计较：
更多晶体管、更先进的制程、更大带宽、更高隐约。
但最近，咱们发现存一批公司，驱动不按这个逻辑走了。
安纳等于其中之一。
他们采用的，是一个照旧千里寂已久、但这两年又驱动火热的标的：
模拟计较。
这个意见听着新，其实少量齐不新。
早在数字计较机大鸿沟普及之前，东说念主类就照旧在酌量模拟计较。最近很火的存算一体、光计较、量子计较、类脑芯片，往大了说，实质上也齐属于这条门道。
之是以这两年再行被随和，一个很紧迫的原因在于：
模拟计较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。
但它的问题也很显豁，数字计较实质上处理的是0和1，只须能差异高下电平，裂缝就能被遏抑改动。
而传统模拟计较由于是径直用物理信号暗示信息。电压、电流、电导这些量在传播经过中，容易集中噪声和漂移。
矩阵鸿沟越大，裂缝放大得越夸张。
昔时几十年，数字计较靠着摩尔定律一起狂飙，精度被遏抑“硬堆”上去；而模拟计较诚然表面上更高效，却永恒困在精度问题里。
行业里致使一直有一个很流行的不雅点：模拟计较很快、很省电，但不着实。精度，也因此成了模拟计较近几十年来最大的死结。
而安纳作念的，等于把它解开。
模拟计较的精度，不再是问题了
昔时近十年里，安纳的中枢科学家一直在作念团结件事——
把模拟计较的收尾，作念得浪费着实。
前年，团队完成了精度比好意思数字芯片水平的道感性考据，在模拟计较鸿沟达到断档式当先，而本年，有关芯片目下照旧插足流片阶段。
在技能门道上，安纳走的是一条相配典型、但也相配“硬核”的模拟计较门道：
基于存储器阵列，搭建非冯诺依曼架构芯片。
节略来说，等于把矩阵方程径直映射进物理电路，让电路自己成为方程求解器。
输入给进去，测输出，输出等于解。
也正因如斯，那些GPU没目的径直求解、只可靠海量迭代面对的矩阵方程，在安纳这里，不错一步完成，并保合手精准。
（注：GPU拿到一个512×512的矩阵方程后，第一件事并不是“径直解”。它会先把问题间隔、转置、领会，再转换成海量矩阵乘加运算，通过一轮轮迭代徐徐面对谜底。系数这个词经过，往往需要上亿次乘法。）
但特道理的是。
即便精度问题驱动被经管，今天大多量模拟计较公司依然莫得选拔这条路。
像Unconventional AI、Normal Computing、EnCharge AI这些近两年最受随和的模拟计较创业公司，尊龙官方网站APP下载主打的依然是低功耗、存算一体或者特定场景加快。
（注：模拟计较正在再行获取本钱商场随和。2025年底，主打低功耗模拟芯片的 Unconventional AI在种子轮便获取Lightspeed Venture Partners和a16z集中领投的4.75亿好意思元融资，估值接近45亿好意思元；专注热力学计较的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前年也完成了擢升1亿好意思元的B轮融资。）
这背后其实对应着两种透澈不同的酌量形而上学。
一种想路是经受模拟计较存在裂缝，在低精度要求下寻找“够用”的阁下场景。
另一种想路，则是先把精度作念到极限，再盘问收尾和成本。
安纳属于后者。
在与量子位洽商时，团队反复提到一个不雅点：
系数计较平台的发展历史，险些齐是先把精度作念到天花板，再笔据场景需求向下作念选择。
数字计较亦然如斯，AI模子考试里，先有FP32，再向下兼容FP16、INT8、INT4。
若是一驱动就在低精度里寻找“够用”，好多才略可能永远莫得契机被考据。
从上世纪80年代末的类脑计较，到其后的模拟神经收罗，再到今天的存算一体，访佛的故事其实照旧反复出现过好屡次。
是以，并不是追求精度这件事有争议，而是在昔时很永劫期里，由于模拟计较精度低是固有的，公共停留在这一层面，存在领路上的偏差，于是只可退而求其次。
而安纳率先完成了领路上的冲突，他们着实想作念的，等于把高精度模拟计较推向可用。
系数东说念主齐在作念乘法，新京澳门葡萄城股份有限公司官网安纳想把“除法”补总结
除了对精度的气魄，安纳和其他模拟计较公司的不同，还在于他们选了一个透澈不相同的标的：
矩阵求逆。
今天作念模拟计较的公司，岂论是存算一体、模拟CIM，照旧各式类脑、光计较门道，险些齐在作念矩阵乘法。
这其实很好意会，因为系数这个词AI产业，实质上等于建筑在矩阵乘法之上的。
一方面，GPU自己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
系数这个词行业的想路齐很当然——
既然模拟计较更省电、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，他们选拔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，实质上是“知因求果”。权重已知、参数已知，乘起来、加起来，终末得到收尾。
而矩阵求逆反过来。收尾照旧知说念了，但中间着实的参数、权重、现象未知，你需要反过来把它求出来，从收尾反推原因。
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试。
因为考试实质上，等于已知输入和输出，再反过来寻找中间最适合的参数。
（注：今上帝流数字计较的作念法，依然是把正本需要径直求解的问题，转换成海量矩阵乘法，再通过遏抑迭代去面对谜底。）
事实上，矩阵求逆并不局限于大模子考试。履行天下里着实难的问题，好多其实齐是“逆问题”。
比如，机器东说念主为什么会颠仆？自动驾驶怎样从传感器数据里还原果真现象？通讯系统怎样从搀杂信号里恢收复始信息？
这些问题，底层齐在作念团结件事：从收尾反推原因。
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，实质上是绕。
先把一个求逆问题间隔，再转换成海量矩阵乘法，然后通过遏抑迭代，一轮轮面对最终谜底。
是以GPU不是“径直解”，而是在“面对解”，这亦然为什么，咱们前边会看到阿谁“一亿步”和“一步”的离别。
为了愈加深切地意会这两者的各别，安纳还给咱们打了一个很形象的譬如。
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。它唯有沙子、土壤、原料。
是以它得先和泥、烧制、成型，终末能力得到一块砖，再拿这块砖去建长城。
模拟计较芯片，则是径直把砖给你。你不必再从沙子驱动。是以这不是“快少量”或者“省少量”的区别，而是计较范式自己不同。
一个是在遏抑迭代面对。
一个则是原生求解。
安纳想作念的，等于把这块缺失了好多年的“砖”，再行补总结。
让矩阵归模拟，让逻辑归数字
说到终末，一个很履行的问题摆在眼前：
模拟计较这块“砖”，到底怎样插进今天照旧高度熟习的AI基础尺度里？
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、数据风物和互联方式上，齐兼容现存GPU体系，不错径直接入今天照旧scale起来的AI Infra和算力中心。
更紧迫的是，它不依赖启航点进制程。
当数字芯片还在3nm、2nm上接续向物理极限面对时，模拟计较某种道理上照旧跳出了那套“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”着实补上，它带来的变化，可能会比遐想中更大。
机器学习里的优化问题、具身智能的及时畅通截止、自动驾驶的现象测度、6G通讯里的信号回复、端侧AI的在线学习……这些系统背后，实质上齐在高频求解矩阵方程。
昔时好多问题不是不可作念，而是太慢、太贵、太耗电。
而矩阵求逆一朝偶然被原生、高精度、低功耗地完成，好多昔时只可放在云霄、只可离线考试、只可近似求解的事情，可能齐会驱动发生变化。
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”。
他们着实想切入的，是下一代智能系统最底层的计较方式。
2012年，东说念主们第一次签订到，GPU不仅能绘制，还能考试神经收罗。
AI期间由此开启。
而今天，安纳试图回答的是另一个问题：
若是矩阵乘法界说了昔时十年的AI，那么模拟计较和矩阵求逆，会不会界说下一代智能系统？
至少目下新京澳门葡萄城官方网站，他们照旧站在了这个问题的最前排。