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，用的是模拟筹谋。

这家公司叫安纳智芯（Anatrix）。

昔日几年，所有这个词AI行业简直都在往归并个想法决骤。GPU、TPU、LPU、CPU……人人卷来卷去，试验上卷的其实如故数字筹谋：

更多晶体管、更先进的制程、更大带宽、更高浑沌。

但最近，咱们发现存一批公司，运转不按这个逻辑走了。

安纳等于其中之一。

他们采取的，是一个仍是千里寂已久、但这两年又运转火热的想法：

模拟筹谋。

这个主张听着新，其实少许都不新。

早在数字筹谋机大边界进步之前，东说念主类就仍是在连系模拟筹谋。最近很火的存算一体、光筹谋、量子筹谋、类脑芯片，往大了说，试验上也都属于这条阶梯。

之是以这两年再行被海涵，一个很勤快的原因在于：

模拟筹谋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。

但它的问题也很赫然，数字筹谋试验上处理的是0和1，只须能分歧高下电平，罪恶就能被不休改革。

而传统模拟筹谋由于是告成用物理信号暗意信息。电压、电流、电导这些量在传播历程中，容易积聚噪声和漂移。

矩阵边界越大，罪恶放大得越夸张。

昔日几十年，数字筹谋靠着摩尔定律沿路狂飙，精度被不休“硬堆”上去；而模拟筹谋自然表面上更高效，却持久困在精度问题里。

行业里以至一直有一个很流行的不雅点：模拟筹谋很快、很省电，但不着实。精度，也因此成了模拟筹谋近几十年来最大的死结。

而安纳作念的，等于把它解开。

模拟筹谋的精度，不再是问题了

昔日近十年里，安纳的中枢科学家一直在作念归并件事——

把模拟筹谋的放置，作念得满盈着实。

旧年，团队完成了精度忘形数字芯片水平的旨趣性考据，在模拟筹谋边界达到断档式最初，而本年，关系芯片咫尺仍是插足流片阶段。

在技艺阶梯上，安纳走的是一条相等典型、但也相等“硬核”的模拟筹谋阶梯：

基于存储器阵列，搭建非冯诺依曼架构芯片。

浅陋来说，等于把矩阵方程告成映射进物理电路，让电路本人成为方程求解器。

输入给进去，测输出，输出等于解。

也正因如斯，那些GPU没办法告成求解、只可靠海量迭代贴近的矩阵方程，在安纳这里，不错一步完成，并保握精准。

（注：GPU拿到一个512×512的矩阵方程后，第一件事并不是“告成解”。它会先把问题辩别、转置、领悟，再滚动成海量矩阵乘加运算，通过一轮轮迭代渐渐贴近谜底。所有这个词历程，经常需要上亿次乘法。）

但特趣味的是。

即便精度问题运转被处分，今天大多量模拟筹谋公司依然莫得给与这条路。

像Unconventional AI、Normal Computing、EnCharge AI这些近两年最受海涵的模拟筹谋创业公司，主打的依然是低功耗、存算一体或者特定场景加快。

（注：模拟筹谋正在再行获取成本市集海涵。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集结领投的4.75亿好意思元融资，估值接近45亿好意思元；专注热力学筹谋的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旧年也完成了跳跃1亿好意思元的B轮融资。）

这背后其实对应着两种王人备不同的连系形而上学。

一种想路是禁受模拟筹谋存在罪恶，在低精度条目下寻找“够用”的愚弄场景。

另一种想路，则是先把精度作念到极限，再盘问恶果和成本。

安纳属于后者。

在与量子位计划时，团队反复提到一个不雅点：

所有筹谋平台的发展历史，简直都是先把精度作念到天花板，再字据场景需求向下作念弃取。

数字筹谋亦然如斯，AI模子查验里，先有FP32，再向下兼容FP16、INT8、INT4。

若是一运转就在低精度里寻找“够用”，许多才气可能长期莫得契机被考据。

从上世纪80年代末的类脑筹谋，到其后的模拟神经收集，再到今天的存算一体，肖似的故事其实仍是反复出现过许屡次。

是以，并不是追求精度这件事有争议，而是在昔日很万古刻里，由于模拟筹谋精度低是固有的，人人停留在这一层面，存在暴露上的偏差，于是只可退而求其次。

而安纳率先完成了暴露上的冲破，他们确切想作念的，等于把高精度模拟筹谋推向可用。

所有东说念主都在作念乘法，KPL下注app下载官方版安纳想把“除法”补考究

除了对精度的格调，安纳和其他模拟筹谋公司的不同，还在于他们选了一个王人备不相同的想法：

矩阵求逆。

今天作念模拟筹谋的公司，岂论是存算一体、模拟CIM，如故各式类脑、光筹谋阶梯，简直都在作念矩阵乘法。

这其实很好连气儿，因为所有这个词AI产业，试验上等于建树在矩阵乘法之上的。

一方面，GPU本人就极其擅长矩阵乘法；另一方面。大模子推理，也简直全是矩阵乘法，是以

所有这个词行业的想路都很自然——

既然模拟筹谋更省电、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，他们给与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？

浅陋来说，矩阵乘法，试验上是“知因求果”。权重已知、参数已知，乘起来、加起来，临了得到放置。

而矩阵求逆反过来。放置仍是知说念了，但中间确切的参数、权重、景况未知，你需要反过来把它求出来，从放置反推原因。

对应到大模子里也很好连气儿：矩阵乘法更多对应推理，而矩阵求逆则更接近查验。

因为查验试验上，等于已知输入和输出，再反过来寻找中间最相宜的参数。

（注：今上帝流数字筹谋的作念法，依然是把本来需要告成求解的问题，滚动成海量矩阵乘法，再通过不休迭代去贴近谜底。）

事实上，矩阵求逆并不局限于大模子查验。现实宇宙里确切难的问题，许多其实都是“逆问题”。

比如，机器东说念主为什么会跌倒？自动驾驶何如从传感器数据里还原真实景况？通讯系统何如从搀杂信号里恢规复始信息？

这些问题，底层都在作念归并件事：从放置反推原因。

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，试验上是绕。

先把一个求逆问题辩别，再滚动成海量矩阵乘法，然后通过不休迭代，一轮轮贴近最终谜底。

是以GPU不是“告成解”，而是在“贴近解”，这亦然为什么，咱们前边会看到阿谁“一亿步”和“一步”的辩别。

为了愈加深远地连气儿这两者的各异，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。它唯一沙子、土壤、原料。

是以它得先和泥、烧制、成型，临了才能得到一块砖，再拿这块砖去建长城。

模拟筹谋芯片，则是告成把砖给你。你无用再从沙子运转。是以这不是“快少许”或者“省少许”的区别，而是筹谋范式本人不同。

一个是在不休迭代贴近。

一个则是原生求解。

安纳想作念的，等于把这块缺失了许多年的“砖”，再行补考究。

让矩阵归模拟，让逻辑归数字

说到临了，一个很现实的问题摆在眼前：

模拟筹谋这块“砖”，到底何如插进今天仍是高度熟练的AI基础要津里？

安纳给出的谜底很浅陋：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、数据体式和互联状貌上，都兼容现存GPU体系，不错告成接入今天仍是scale起来的AI Infra和算力中心。

更勤快的是，它不依赖开头进制程。

当数字芯片还在3nm、2nm上继续向物理极限贴近时，模拟筹谋某种趣味上仍是跳出了那套“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”确切补上，它带来的变化，可能会比设想中更大。

机器学习里的优化问题、具身智能的及时通顺甩手、自动驾驶的景况推断、6G通讯里的信号陈述、端侧AI的在线学习……这些系统背后，试验上都在高频求解矩阵方程。

昔日许多问题不是不行作念，而是太慢、太贵、太耗电。

而矩阵求逆一朝简略被原生、高精度、低功耗地完成，许多昔日只可放在云霄、只可离线查验、只可近似求解的事情，可能都会运转发生变化。

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”。

他们确切想切入的，是下一代智能系统最底层的筹谋状貌。

2012年，东说念主们第一次相识到，GPU不仅能绘图，还能查验神经收集。

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日十年的AI，那么模拟筹谋和矩阵求逆，会不会界说下一代智能系统？

至少当今王者荣耀下注平台2026最新版官方app下载，他们仍是站在了这个问题的最前排。