人类沿用了两千年的模拟计算范式，正迎来重新定义。
近日，在一本Nature旗下专注于非传统计算的期刊中，一篇综述论文将「现代模拟计算」写入标题，试图为该领域确立正式定义。该研究由北京大学人工智能研究院副教授孙仲牵头，联合IBM苏黎世研究院及硅谷初创公司Unconventional AI的专家共同完成。
△左起：Shahar Kvatinsky (IEEE Fellow)，孙仲，Abu Sebastian (IEEE Fellow)，Piergiulio Mannocci
此次合作汇聚了全球模拟计算领域的核心力量：IBM在存内计算领域深耕逾十年；硅谷相关企业如Unconventional AI估值超45亿美元，Normal Computing获三星等投资，均宣称能将AI能耗降低至千分之一。孙仲此前曾联合国际同行在《Nature Electronics》发表《存内计算技术全谱》，此次旨在进一步统一「现代模拟计算」的定义与框架。
重新定义「现代模拟计算」
该综述以「现代」为核心支点，从任务、硬件及应用可行性三个维度，将现代模拟计算与传统模拟计算彻底区隔：
- 任务维度：传统面向微分方程求解，现代面向AI与6G通信中需求庞大的矩阵计算。
- 硬件维度：传统依赖CMOS模拟电路，现代扎根于阻变存储器（RRAM等忆阻器）等新型纳米器件。
- 应用维度：传统受困于低精度与难扩展，现代探索出高精度与可扩展的工程路径，并定义了清晰的边界与原语。
从「连续」到「类比」的认知重构
传统观念常将模拟计算等同于「连续」，但最新研究指出，其核心在于「类比」（Analogy）：不经过二进制抽象，直接将数学问题映射到物理系统，利用物理定律自然求解。
传统集成电路中，电阻固定导致无法应对动态计算。突破点在于引入阻变存储器（忆阻器），其电导值可通过电脉冲精确调节且断电保持，从而在电压和电流之外，开辟了可原位存储、随时调节的物理变量——「电导」。
在此架构下，乘法通过欧姆定律瞬时完成，多路求和通过基尔霍夫电流定律自然汇聚。配合外围运算放大器的负反馈闭环，电路可在纳秒级自发收敛至平衡态，该平衡点对应的电压即为方程解。
突破规模瓶颈：百万级并行乘法器
传统CMOS模拟芯片因面积效率低、信号衰减严重，难以大规模集成。例如2016年一款65纳米CMOS芯片仅容纳少量算子。而基于新型阻变存储器的交叉阵列，可在极小面积内通过纵横导线交织出100万个物理交点，每个交点作为独立的并联模拟乘法器，实现了高密度紧凑集成。
基于此，现代模拟计算被归纳为解微分方程、解矩阵方程、矩阵向量乘法（MVM）三大核心原语，三者共享基本算子并在数学与电路层面紧密耦合，构成统一计算谱系。
性能颠覆：百步迭代压缩至一步
针对智算中心中占比超80%的线性方程组求解（Ax=b）任务，传统GPU需通过数十上百次矩阵乘法迭代逼近，耗时且能效低。安纳智芯团队设计的模拟矩阵计算（AMC）电路，通过全局负反馈闭环，让电路瞬态响应直接对应方程求解。
- 速度优势：单次操作耗时小于100纳秒，且与矩阵维度无关，实现「一步到位」。
- 精度突破：2025年10月，团队在《Nature Electronics》发表成果，采用位切片（Bit-slicing）理念，利用8个离散电导态（等效3比特）拼接，实现24位定点精度。经3次迭代，相对误差降至10^-4，最终收敛至10^-7，追平数字处理器FP32单精度。
此外，团队设计了BlockAMC分块算法，成功将实测扩展至512×512维度复杂矩阵。
数模协同：能效与成本的双重优势
为实现与现有数字生态兼容，团队采取「让矩阵归模拟，让逻辑归数字」策略。得益于位切片架构，外围仅需低功耗、低分辨率ADC/DAC。实测显示，在同等FP32精度下，该方案吞吐量约为英伟达H100单核及数字ASIC的1000倍，能效约为100倍。
制造方面，该架构无需极紫外光刻先进制程，在28/22纳米成熟制程上即可可靠制造，综合成本较主流GPU具备约10倍竞争优势，且供应链自主可控。
商业落地：从具身智能到大模型训练
基于高性能底座，该技术正加速指向产业痛点场景：
- 短期（1年内）：面向具身智能运动控制。微秒级解算能力可实时处理复杂动力学矩阵方程，提升机器人动作流畅度。
- 中期：聚焦6G无线通信大规模MIO信号处理。实验显示，经3次迭代即可零误差还原信号，误码率曲线与数字FP32方案重合。
- 长期（3-5年）：支持大模型二阶优化训练。原生硬件支持高精度模拟矩阵求逆，解决海森矩阵求逆的计算瓶颈，加速模型收敛。
全球格局：中国学者主导定义权
在现代模拟计算领域，中国学者孙仲团队已占据引领地位。从2019年《PNAS》奠基论文，到2025年打破精度瓶颈的《Nature Electronics》高引成果，再到入选「2025年国内十大科技新闻」及多项行业大奖，学术影响力显著。
产业端，硅谷头部初创企业Normal Computing与Unconventional AI的技术路线均与孙仲研究高度同频。前者热力学计算芯片核心硬件与孙仲提出的闭环负反馈电路拓扑一致；后者核心骨干曾与孙仲紧密合作。这标志着在该前沿赛道，中国团队已从跟随者转变为规则制定者。
尽管中美企业在宣传侧重上有所不同（美方重能效，中方重提速），但双方共识在于：高精度是模拟计算走向产业的先决条件。随着「Modern Analog Computing」成为正式术语，由中国学者参与定义的框架正推动全球行业向务实标准靠拢。