黄仁勋的GPU，解一谈矩阵方程，要作念上亿次乘法。

一家中国公司，一步就给解了，用的是模拟策画。

这家公司叫安纳智芯（Anatrix）。

当年几年，通盘这个词AI行业简直皆在往兼并个标的决骤。GPU、TPU、LPU、CPU……全球卷来卷去，本色上卷的其实照旧数字策画：

更多晶体管、更先进的制程、更大带宽、更高微辞。

但最近，咱们发现存一批公司，开动不按这个逻辑走了。

安纳等于其中之一。

他们采取的，是一个依然千里寂已久、但这两年又开动火热的标的：

模拟策画。

这个想法听着新，其实少量皆不新。

早在数字策画机大界限栽植之前，东谈主类就依然在说合模拟策画。最近很火的存算一体、光策画、量子策画、类脑芯片，往大了说，本色上也皆属于这条门路。

之是以这两年重新被关心，一个很过失的原因在于：

模拟策画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。

但它的问题也很彰着，数字策画本色上处理的是0和1，只须能辩认上下电平，误差就能被束缚编削。

而传统模拟策画由于是获胜用物理信号暗意信息。电压、电流、电导这些量在传播历程中，容易积攒噪声和漂移。

矩阵界限越大，误差放大得越夸张。

当年几十年，数字策画靠着摩尔定律全部狂飙，精度被束缚“硬堆”上去；而模拟策画自然表面上更高效，却遥远困在精度问题里。

行业里甚而一直有一个很流行的不雅点：模拟策画很快、很省电，但不实在。精度，也因此成了模拟策画近几十年来最大的死结。

而安纳作念的，等于把它解开。

模拟策画的精度，不再是问题了

当年近十年里，安纳的中枢科学家一直在作念兼并件事——

把模拟策画的罢了，作念得充足实在。

客岁，团队完成了精度比好意思数字芯片水平的旨趣性考据，在模拟策画领域达到断档式当先，而本年，干系芯片目下依然插足流片阶段。

在技巧门路上，安纳走的是一条畸形典型、但也畸形“硬核”的模拟策画门路：

基于存储器阵列，搭建非冯诺依曼架构芯片。

简便来说，等于把矩阵方程获胜映射进物理电路，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没想法获胜求解、只可靠海量迭代靠拢的矩阵方程，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“获胜解”。它会先把问题隔断、转置、理会，再移动成海量矩阵乘加运算，通过一轮轮迭代渐渐靠拢谜底。通盘这个词历程，不绝需要上亿次乘法。）

但故风趣风趣的是。

即便精度问题开动被贬责，今天大大皆模拟策画公司依然莫得选拔这条路。

像Unconventional AI、Normal Computing、EnCharge AI这些近两年最受关心的模拟策画创业公司，主打的依然是低功耗、存算一体或者特定场景加快。

（注：模拟策画正在重新得到成本市集关心。2025年底，主打低功耗模拟芯片的 Unconventional AI在种子轮便得到Lightspeed Venture Partners和a16z迎合领投的4.75亿好意思元融资，估值接近45亿好意思元；专注热力学策画的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客岁也完成了向上1亿好意思元的B轮融资。）

这背后其实对应着两种实足不同的说合形而上学。

一种念念路是经受模拟策画存在误差，在低精度要求下寻找“够用”的诓骗场景。

另一种念念路，则是先把精度作念到极限，再究诘罢了和成本。

安纳属于后者。

在与量子位相通时，团队反复提到一个不雅点：

通盘策画平台的发展历史，简直皆是先把精度作念到天花板，再把柄场景需求向下作念选择。

数字策画亦然如斯，AI模子磨练里，先有FP32，再向下兼容FP16、INT8、INT4。

若是一开动就在低精度里寻找“够用”，许多智商可能永远莫得契机被考据。

从上世纪80年代末的类脑策画，到自后的模拟神经收集，再到今天的存算一体，肖似的故事其实依然反复出现过许屡次。

是以，并不是追求精度这件事有争议，而是在当年很永劫刻里，由于模拟策画精度低是固有的，全球停留在这一层面，存在领略上的偏差，于是只可退而求其次。

而安纳率先完成了领略上的打破，他们的确想作念的，等于把高精度模拟策画推向可用。

通盘东谈主皆在作念乘法，棋牌牛牛安纳想把“除法”补纪念

除了对精度的魄力，安纳和其他模拟策画公司的不同，还在于他们选了一个实足不不异的标的：

矩阵求逆。

今天作念模拟策画的公司，无论是存算一体、模拟CIM，照旧各式类脑、光策画门路，简直皆在作念矩阵乘法。

这其实很好意会，因为通盘这个词AI产业，本色上等于开导在矩阵乘法之上的。

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

通盘这个词行业的念念路皆很自然——

既然模拟策画更省电、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不异呢？

简便来说，矩阵乘法，本色上是“知因求果”。权重已知、参数已知，乘起来、加起来，临了得到罢了。

而矩阵求逆反过来。罢了依然知谈了，但中间的确的参数、权重、现象未知，你需要反过来把它求出来，从罢了反推原因。

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磨练。

因为磨练本色上，等于已知输入和输出，再反过来寻找中间最符合的参数。

（注：今上帝流数字策画的作念法，依然是把原来需要获胜求解的问题，移动成海量矩阵乘法，再通过束缚迭代去靠拢谜底。）

事实上，矩阵求逆并不局限于大模子磨练。履行全国里的确难的问题，许多其实皆是“逆问题”。

比如，机器东谈主为什么会跌倒？自动驾驶奈何从传感器数据里还原真实现象？通讯系统奈何从搀杂信号里恢陈述始信息？

这些问题，底层皆在作念兼并件事：从罢了反推原因。

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，本色上是绕。

先把一个求逆问题隔断，再移动成海量矩阵乘法，然后通过束缚迭代，一轮轮靠拢最终谜底。

是以GPU不是“获胜解”，而是在“靠拢解”，这亦然为什么，咱们前边会看到阿谁“一亿步”和“一步”的诀别。

为了愈加深远地意会这两者的各异，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，临了能力得到一块砖，再拿这块砖去建长城。

模拟策画芯片，则是获胜把砖给你。你毋庸再从沙子开动。是以这不是“快少量”或者“省少量”的区别，而是策画范式自己不同。

一个是在束缚迭代靠拢。

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”，重新补纪念。

让矩阵归模拟，让逻辑归数字

说到临了，一个很履行的问题摆在眼前：

模拟策画这块“砖”，到底奈何插进今天依然高度熟练的AI基础重要里？

安纳给出的谜底很简便：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、数据模式和互联样子上，皆兼容现存GPU体系，不错获胜接入今天依然scale起来的AI Infra和算力中心。

更过失的是，它不依赖起始进制程。

当数字芯片还在3nm、2nm上络续向物理极限靠拢时，模拟策画某种意旨上依然跳出了那套“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”的确补上，它带来的变化，可能会比联想中更大。

机器学习里的优化问题、具身智能的及时通顺截至、自动驾驶的现象策划、6G通讯里的信号陈述、端侧AI的在线学习……这些系统背后，本色上皆在高频求解矩阵方程。

当年许多问题不是不可作念，而是太慢、太贵、太耗电。

而矩阵求逆一朝不祥被原生、高精度、低功耗地完成，许多当年只可放在云表、只可离线磨练、只可近似求解的事情，可能皆会开动发生变化。

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”。

他们的确想切入的，是下一代智能系统最底层的策画样子。

2012年，东谈主们第一次清醒到，GPU不仅能绘制，还能磨练神经收集。

AI时间由此开启。

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当年十年的AI，那么模拟策画和矩阵求逆，会不会界说下一代智能系统？

至少当今棋牌牛牛游戏平台APP，他们依然站在了这个问题的最前排。