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）。
往日几年，通盘这个词AI行业险些齐在往归并个场地决骤。GPU、TPU、LPU、CPU……全球卷来卷去，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、更高隐隐。
但最近，咱们发现存一批公司，运转不按这个逻辑走了。
安纳便是其中之一。
他们采取的，是一个还是千里寂已久、但这两年又运转火热的场地：
模拟计较。
这个倡导听着新，其实少许齐不新。
早在数字计较机大范畴提高之前，东说念主类就还是在筹议模拟计较。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道路。
之是以这两年再行被温煦，一个很弊端的原因在于：
模拟计较自然具备更高并行度、更低功耗，而况不像数字芯片那样高度依赖先进制程。
但它的问题也很彰着，数字计较实质上处理的是0和1，只消能辞别上下电平，谬误就能被不断立异。
而传统模拟计较由于是径直用物理信号暗意信息。电压、电流、电导这些量在传播经过中，容易蚁合噪声和漂移。
矩阵范畴越大，谬误放大得越夸张。
往日几十年，数字计较靠着摩尔定律沿途狂飙，精度被不断“硬堆”上去；而模拟计较自然表面上更高效，却弥远困在精度问题里。
行业里以致一直有一个很流行的不雅点：模拟计较很快、很省电，但不确凿。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，便是把它解开。
模拟计较的精度，不再是问题了
往日近十年里，安纳的中枢科学家一直在作念归并件事——
把模拟计较的收尾，作念得弥漫确凿。
开云体育app2026世界杯中国官方下载旧年，团队完成了精度比好意思数字芯片水平的旨趣性考证，在模拟计较领域达到断档式当先，而本年，相关芯顷刻下还是投入流片阶段。
在时候道路上，安纳走的是一条特别典型、但也特别“硬核”的模拟计较道路：
基于存储器阵列，搭建非冯诺依曼架构芯片。
浅易来说，便是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，输出便是解。
也正因如斯，那些GPU没主义径直求解、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，并保抓精准。
（注：GPU拿到一个512×512的矩阵方程后，第一件事并不是“径直解”。它会先把问题拒绝、转置、分解，再回荡成海量矩阵乘加运算，通过一轮轮迭代缓缓面对谜底。通盘这个词经过，通常需要上亿次乘法。）
但稀零想的是。
即便精度问题运转被贬责，今天大大宗模拟计较公司依然莫得采用这条路。
像Unconventional AI、Normal Computing、EnCharge AI这些近两年最受温煦的模拟计较创业公司，亚搏体育中国官网在线入口主打的依然是低功耗、存算一体或者特定场景加快。
（注：模拟计较正在再行得回本钱市集温煦。2025年底，主打低功耗模拟芯片的 Unconventional AI在种子轮便得回Lightspeed Venture Partners和a16z连合领投的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旧年也完成了卓著1亿好意思元的B轮融资。）
这背后其实对应着两种总共不同的筹议玄学。
一种想路是汲取模拟计较存在谬误，在低精度条目下寻找“够用”的诈欺场景。
另一种想路，则是先把精度作念到极限，再参谋后果和成本。
安纳属于后者。
在与量子位疏导时，团队反复提到一个不雅点：
通盘计较平台的发展历史，险些齐是先把精度作念到天花板，再把柄场景需求向下作念弃取。
数字计较亦然如斯，AI模子试验里，先有FP32，再向下兼容FP16、INT8、INT4。
要是一运转就在低精度里寻找“够用”，许多智力可能永远莫得契机被考证。
从上世纪80年代末的类脑计较，到自后的模拟神经网罗，再到今天的存算一体，雷同的故事其实还是反复出现过许屡次。
是以，并不是追求精度这件事有争议，而是在往日很永劫期里，由于模拟计较精度低是固有的，全球停留在这一层面，存在剖释上的偏差，于是只可退而求其次。
而安纳率先完成了剖释上的冲破，他们信得过想作念的，便是把高精度模拟计较推向可用。
通盘东说念主齐在作念乘法，尊享奢华赌场与独特娱乐体验安纳想把“除法”补回首
除了对精度的气派，安纳和其他模拟计较公司的不同，还在于他们选了一个总共不通常的场地：
矩阵求逆。
今天作念模拟计较的公司，不论是存算一体、模拟CIM，照旧各式类脑、光计较道路，险些齐在作念矩阵乘法。
这其实很好清醒，因为通盘这个词AI产业，实质上便是建设在矩阵乘法之上的。
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
通盘这个词行业的想路齐很自然——
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，他们采用了更第一性的矩阵求逆。
那么，矩阵乘法和矩阵求逆有啥不通常呢？
浅易来说，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。收尾还是知说念了，但中间信得过的参数、权重、情状未知，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清醒：矩阵乘法更多对应推理，而矩阵求逆则更接近试验。
因为试验实质上，便是已知输入和输出，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，依然是把原来需要径直求解的问题，回荡成海量矩阵乘法，再通过不断迭代去面对谜底。）
事实上，矩阵求逆并不局限于大模子试验。实践天下里信得过难的问题，许多其实齐是“逆问题”。
比如，机器东说念主为什么会颠仆？自动驾驶怎么从传感器数据里还原真实情状？通讯系统怎么从夹杂信号里恢规复始信息？
这些问题，底层齐在作念归并件事：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。
先把一个求逆问题拒绝，再回荡成海量矩阵乘法，然后通过不断迭代，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”的隔离。
为了愈加深切地清醒这两者的相反，安纳还给咱们打了一个很形象的比喻。
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。它惟有沙子、土壤、原料。
是以它得先和泥、烧制、成型，终末才能得到一块砖，再拿这块砖去建长城。
模拟计较芯片，则是径直把砖给你。你无谓再从沙子运转。是以这不是“快少许”或者“省少许”的区别，而是计较范式自己不同。
一个是在不断迭代面对。
一个则是原生求解。
安纳想作念的，便是把这块缺失了许多年的“砖”，再行补回首。
让矩阵归模拟，让逻辑归数字
说到终末，一个很实践的问题摆在眼前：
模拟计较这块“砖”，到底怎么插进今天还是高度纯属的AI基础步伐里？
安纳给出的谜底很浅易：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、数据式样和互联样子上，齐兼容现存GPU体系，不错径直接入今天还是scale起来的AI Infra和算力中心。
更弊端的是，它不依赖早先进制程。
当数字芯片还在3nm、2nm上连接向物理极限面对时，模拟计较某种意旨上还是跳出了那套“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”信得过补上，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、具身智能的及时领略限制、自动驾驶的情状预计、6G通讯里的信号回应、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。
往日许多问题不是不可作念，而是太慢、太贵、太耗电。
而矩阵求逆一朝或者被原生、高精度、低功耗地完成，许多往日只可放在云表、只可离线试验、只可近似求解的事情，可能齐会运转发生变化。
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”。
他们信得过想切入的，是下一代智能系统最底层的计较样子。
2012年，东说念主们第一次领悟到，GPU不仅能绘图，还能试验神经网罗。
AI期间由此开启。
而今天，安纳试图回答的是另一个问题：
要是矩阵乘法界说了往日十年的AI，那么模拟计较和矩阵求逆，会不会界说下一代智能系统？
至少刻下尊享奢华赌场与独特娱乐体验，他们还是站在了这个问题的最前排。