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，用的是模拟筹备。
这家公司叫安纳智芯（Anatrix）。
昔时几年，整个这个词AI行业险些齐在往褪色个场地决骤。GPU、TPU、LPU、CPU……大师卷来卷去，实质上卷的其实如故数字筹备：
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，开动不按这个逻辑走了。
安纳即是其中之一。
他们采取的，是一个照旧千里寂已久、但这两年又开动火热的场地：
模拟筹备。
这个认识听着新，其实少量齐不新。
早在数字筹备机大范围提高之前，东说念主类就照旧在磋磨模拟筹备。最近很火的存算一体、光筹备、量子筹备、类脑芯片，往大了说，实质上也齐属于这条阶梯。
之是以这两年从头被原谅，一个很伏击的原因在于：
模拟筹备自然具备更高并行度、更低功耗，况且不像数字芯片那样高度依赖先进制程。
但它的问题也很显然，数字筹备实质上处理的是0和1，只消能分裂上下电平，差错就能被束缚更正。
而传统模拟筹备由于是径直用物理信号示意信息。电压、电流、电导这些量在传播流程中，容易积贮噪声和漂移。
矩阵范围越大，差错放大得越夸张。
昔时几十年，数字筹备靠着摩尔定律全部狂飙，精度被束缚“硬堆”上去；而模拟筹备自然表面上更高效，却永久困在精度问题里。
行业里以致一直有一个很流行的不雅点：模拟筹备很快、很省电，但不着实。精度，也因此成了模拟筹备近几十年来最大的死结。
而安纳作念的，即是把它解开。
模拟筹备的精度，不再是问题了
昔时近十年里，安纳的中枢科学家一直在作念褪色件事——
把模拟筹备的拆伙，作念得弥漫着实。
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，在模拟筹备规模达到断档式开端，而本年，关系芯片目下照旧干与流片阶段。
在本事阶梯上，安纳走的是一条额外典型、但也额外“硬核”的模拟筹备阶梯：
基于存储器阵列，搭建非冯诺依曼架构芯片。
简易来说，即是把矩阵方程径直映射进物理电路，让电路自身成为方程求解器。
输入给进去，测输出，输出即是解。
也正因如斯，那些GPU没主见径直求解、只可靠海量迭代面临的矩阵方程，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”。它会先把问题休止、转置、瓦解，再更动成海量矩阵乘加运算，通过一轮轮迭代冉冉面临谜底。整个这个词流程，往往需要上亿次乘法。）
但挑升想的是。
即便精度问题开动被贬责，今天大广泛模拟筹备公司依然莫得遴荐这条路。
像Unconventional AI、Normal Computing、EnCharge AI这些近两年最受原谅的模拟筹备创业公司，okooo澳客APP2026世界杯中国官网主打的依然是低功耗、存算一体或者特定场景加快。
（注：模拟筹备正在从头得到老本市集原谅。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荟萃领投的4.75亿好意思元融资，估值接近45亿好意思元；专注热力学筹备的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客岁也完成了逾越1亿好意思元的B轮融资。）
这背后其实对应着两种统统不同的磋磨形而上学。
一种想路是接纳模拟筹备存在差错，在低精度条目下寻找“够用”的哄骗场景。
另一种想路，则是先把精度作念到极限，再扣问后果和成本。
安纳属于后者。
在与量子位调换时，团队反复提到一个不雅点：
整个筹备平台的发展历史，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。
数字筹备亦然如斯，AI模子试验里，先有FP32，再向下兼容FP16、INT8、INT4。
要是一开动就在低精度里寻找“够用”，好多才略可能永远莫得契机被考据。
从上世纪80年代末的类脑筹备，到其后的模拟神经汇注，再到今天的存算一体，肖似的故事其实照旧反复出现过好屡次。
是以，并不是追求精度这件事有争议，而是在昔时很耐久间里，由于模拟筹备精度低是固有的，大师停留在这一层面，存在默契上的偏差，于是只可退而求其次。
而安纳率先完成了默契上的冲突，他们着实想作念的，即是把高精度模拟筹备推向可用。
整个东说念主齐在作念乘法，全民炸金花现金版赚钱app下载安纳想把“除法”补总结
除了对精度的派头，安纳和其他模拟筹备公司的不同，还在于他们选了一个统统不相同的场地：
矩阵求逆。
今天作念模拟筹备的公司，无论是存算一体、模拟CIM，如故各式类脑、光筹备阶梯，险些齐在作念矩阵乘法。
这其实很好表露，因为整个这个词AI产业，实质上即是修复在矩阵乘法之上的。
一方面，GPU自身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
整个这个词行业的想路齐很自然——
既然模拟筹备更省电、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，他们遴荐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？
简易来说，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，临了得到拆伙。
而矩阵求逆反过来。拆伙照旧知说念了，但中间着实的参数、权重、情景未知，你需要反过来把它求出来，从拆伙反推原因。
对应到大模子里也很好表露：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，即是已知输入和输出，再反过来寻找中间最得当的参数。
（注：今上帝流数字筹备的作念法，依然是把底本需要径直求解的问题，更动成海量矩阵乘法，再通过束缚迭代去面临谜底。）
事实上，矩阵求逆并不局限于大模子试验。本质宇宙里着实难的问题，好多其实齐是“逆问题”。
比如，机器东说念主为什么会跌倒？自动驾驶怎么从传感器数据里还原果然情景？通讯系统怎么从搀杂信号里恢回话始信息？
这些问题，底层齐在作念褪色件事：从拆伙反推原因。
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。
先把一个求逆问题休止，再更动成海量矩阵乘法，然后通过束缚迭代，一轮轮面临最终谜底。
是以GPU不是“径直解”，而是在“面临解”，这亦然为什么，咱们前边会看到阿谁“一亿步”和“一步”的隔离。
为了愈加深切地表露这两者的各异，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。它惟有沙子、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。
模拟筹备芯片，则是径直把砖给你。你无谓再从沙子开动。是以这不是“快少量”或者“省少量”的区别，而是筹备范式自身不同。
一个是在束缚迭代面临。
一个则是原生求解。
安纳想作念的，即是把这块缺失了好多年的“砖”，从头补总结。
让矩阵归模拟，让逻辑归数字
说到临了，一个很本质的问题摆在眼前：
模拟筹备这块“砖”，到底怎么插进今天照旧高度熟练的AI基础步调里？
安纳给出的谜底很简易：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、数据款式和互联款式上，齐兼容现存GPU体系，不错径直接入今天照旧scale起来的AI Infra和算力中心。
更伏击的是，它不依赖泉源进制程。
当数字芯片还在3nm、2nm上继续向物理极限面临时，模拟筹备某种好奇艳羡好奇艳羡上照旧跳出了那套“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”着实补上，它带来的变化，可能会比假想中更大。
机器学习里的优化问题、具身智能的及时畅通欺压、自动驾驶的情景揣摸、6G通讯里的信号回话、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。
昔时好多问题不是不成作念，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，好多昔时只可放在云霄、只可离线试验、只可近似求解的事情，可能齐会开动发生变化。
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”。
他们着实想切入的，是下一代智能系统最底层的筹备款式。
2012年，东说念主们第一次相识到，GPU不仅能绘制，还能试验神经汇注。
AI时期由此开启。
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昔时十年的AI，那么模拟筹备和矩阵求逆，会不会界说下一代智能系统？
至少当今全民炸金花手机现金版中国最新版官网，他们照旧站在了这个问题的最前排。