最近,安纳智芯AX100完成流片的消息被多家媒体报道。企业口径说,它是世界首颗全集成、一步求解矩阵方程的模拟计算芯片,单次求解小于100纳秒,单次计算功耗约80毫瓦。指标很亮眼,但流片不等于量产,更不能直接说已经商用。
我看了几篇报道,最关心的是这些数字到底能落到什么场景里。矩阵方程求解听着专业,其实AI大模型参数优化、机器人运动控制和通信基站信号处理,底层都会碰到它。
数字芯片一般要把求解拆成大量乘加迭代,矩阵一大,计算量就往上走。报道里给了一个参照,512阶矩阵方程约要5亿次乘加,耗时可能到几十甚至上百微秒。模拟计算的思路不一样,它用电路物理过程直接映射方程,电路自己平衡后读出结果,少了反复迭代这一层。
这项技术不是突然冒出来的。2025年10月,北京大学孙仲团队在《自然·电子学》发表过模拟计算求解矩阵方程的成果。报道称,他们把精度做到千万分之一量级,单次求解比先进GPU快3个数量级,能耗比高2个数量级。
2026年10月,安纳智芯AX100完成流片,从论文到产线大约一年。这个速度说明高校研究、企业工程化和国内成熟制造、封装配套正在接上。但论文指标和产品指标不能直接混着看,流片完成也不等于规模量产良率已经过关。
AX100新在计算逻辑,不是和GPU拼通用能力。它面向矩阵方程求解,走成熟工艺,强调全链路自主可控,企业把它定位成专用计算硬件,而不是通用处理器。我觉得最值得关注的是,它想在成熟工艺下用架构创新换特定负载的效率。
模拟计算的老难题也不少,精度、噪声、动态范围、可扩展性和校准都要处理。报道里的精度突破是前提,但产品化还要看温度变化、老化、长期稳定性和可靠性。不能只看一次测试好看,就当成系统级商用能力。
在大模型训练验证里,报道提到293万参数Autoencoder和272万参数Transformer,采用二阶优化后,训练更新消耗分别减少92%和56%。这说的是训练更新环节的改善,不等同于完整训练时间同比下降同比例。
机器人场景里,运动控制与规划端到端算法提速150%到500%,三维重建和SLAM核心算法环节提速200%到500%。这些是核心算法环节的数据,整机实时性还要受传感器、总线、控制周期影响,不能直接等同于整机表现。
无线通信场景里,对128×128信道格拉姆矩阵,相较数字ASIC和GPU,等效吞吐提升20到207倍,等效能效提升27.6到61.3倍。看这类数字要注明对比芯片型号、矩阵规模、精度要求和功耗条件,基准不同,倍数也可能变。
从产业角度看,AX100的意义不在喊“替代GPU”。先进制程受限时,成熟工艺加架构创新再加封装协同,是一条值得看的思路。企业负责人提过参与定义计算范式和弯道超车,我更愿意把它理解成“换道可能性”,而不是已经超车。
换道能不能成立,还要看软件工具链、编程模型、客户验证和可复现的第三方基准。高校成果走到流片是好事,但客户愿不愿意用、好不好接入现有系统,是另一道考题。AX100是一个样本,样本还需要量产和客户数据来加固。
先说基准问题,单次求解延时、功耗、吞吐、能效的对比条件是否统一,对比GPU和ASIC的型号、精度、矩阵规模有没有公开。再说精度和可靠性,千万分之一量级在实验室成立后,能不能在温度、噪声、老化条件下稳定保持。
生态也不能回避,模拟计算怎么和现有数字系统协同,编译器、算法映射、开发工具够不够成熟。量产问题同样现实,流片成功后,良率、封装、测试、供货和客户导入都需要时间,公开信息里还没看到大规模商用时间表。
我的判断是,模拟计算更适合当矩阵方程协处理器,嵌到异构系统里,短期不太可能取代GPU。评估这类芯片,应该看端到端应用收益,而不是只盯着单次运算的纳秒数。纳秒好看,系统收益才决定它能不能活下去。
AX100的价值,是证明了模拟计算加成熟工艺加专用矩阵求解有工程化可行性。它更像新计算范式的早期产品样本,不是通用算力格局的即时颠覆者。下一步该关注量产良率、软件栈、第三方基准、真实客户场景和系统级能效。
对产业来说,理性期待比口号更重要。既要看到换道创新的机会,也要承认生态建设是长周期的事。这项进展值得重视,但离大规模商用还有不少路要走。