一句话结论:安纳智芯 AX100 用模拟电路一步求解矩阵方程,把单次求解压到 100 纳秒以内、功耗约 80 毫瓦,在大模型训练、机器人控制和无线通信三类场景给出 20 到 207 倍的等效吞吐提升,但它目前仍处于流片后验证阶段,所有性能数字都来自公司自测。
2026 年 11 月 15 日,模拟计算芯片公司安纳智芯对外宣布,自研的 AX100 芯片已在 10 月完成流片,并在北京点亮。这被定义为世界首颗全集成、一步求解矩阵方程的模拟计算芯片。流片成功,意味着一颗设计图纸上的芯片变成了能在实验室里真实吐出结果的硅片。
这条新闻里最值得拆开的,不是 100 纳秒这个数字本身,而是它背后的计算范式转移。GPU 二十年来靠堆算力和并行度把矩阵乘法做得又快又稳,代价是每一次矩阵求逆都要迭代上亿次乘加。AX100 走的是另一条路,把矩阵方程直接映射成电路,让电路自己平衡出结果,一次读出,不迭代。
AX100 到底做了什么:矩阵方程被焊进了电路
AI 大模型训练里的参数更新、机器人的运动控制与空间规划、通信基站的信号处理,底层都可以归约成解一个复杂的矩阵方程。这类问题在数学上属于线性代数最核心也最费算力的部分。
数字芯片的做法,是把求解拆成海量乘加迭代。计算量随矩阵规模呈立方级增长。安纳智芯 CEO 向锐给了一个具体参照:以 512 阶矩阵方程求解为例,数字芯片大约需要 5 亿次乘加,耗时在数十到上百微秒区间。
模拟计算的思路不同。矩阵方程被直接映射为电路,电路自平衡之后一次读出结果,全程没有迭代。安纳智芯披露的 AX100 单次矩阵方程求解时间小于 100 纳秒,单次计算功耗约 80 毫瓦,与理论仿真和设计预期相符。
把两个数字放在一起,差距是清楚的。同一类 512 阶求解,数字路径走的是数十到上百微秒,模拟路径走的是百纳秒以内,中间跨越了两到三个数量级。真正的意义在于,数字芯片那一侧的耗时还会随矩阵阶数继续往上走,模拟这一侧的延迟基本是常数。
数字芯片为什么贵:立方级增长是无法绕开的
很多人第一反应是,用更少的迭代次数换更高延迟,这个交易在超大矩阵上未必划算。这一点在论文里被正面回应过。
矩阵求逆相比普通矩阵乘法,对输入误差的敏感度显著更高,因此对计算精度提出了严格要求。数字方法实现高精度矩阵求逆的时间复杂度可达立方级,随着数据规模上涨,这类计算对传统计算机构成持续压力。模拟计算天然是并行的,它不靠算力堆叠换速度,代价则落在精度和可扩展性上。
这也是模拟计算在上世纪到本世纪相当长一段时间里被视为老旧技术的原因:低精度、难扩展,逐渐被高精度可编程的数字计算取代,留在教科书里。AX100 的技术底座,正是北京大学孙仲团队在 2025 年 10 月发表于《自然·电子学》的工作,论文题为 Precise and scalable analogue matrix equation solving using resistive random-access memory chips。团队基于阻变存储器阵列,构建了全模拟矩阵方程求解器,第一次把模拟计算精度提升到 24 位定点精度。
这项成果随后入选科技日报 2025 年国内十大科技新闻。论文给出的评估结论是,在求解大规模 MIMO 信号检测等关键科学问题时,计算吞吐量与能效较当前顶级 GPU 提升百倍至千倍。论文发表至今约一年,安纳智芯借助国内成熟的芯片制造与封装产业链,把这套方案从实验室推到了产线。
三类场景实测:训练省 92%,机器人提速 500%
安纳智芯披露了 AX100 在三个方向上的验证结果,全部为公司自测数据。
| 场景 | 测试规模 | 关键结果 | 对比对象 |
|---|---|---|---|
| 大模型训练 | 293 万参数 Autoencoder | 训练更新消耗减少 92% | 二阶优化方案,数字基线 |
| 大模型训练 | 272 万参数 Transformer | 训练更新消耗减少 56% | 二阶优化方案,数字基线 |
| 具身智能 | 运动控制与规划端到端算法 | 提速 150% 到 500% | 原数字实现 |
| 具身智能 | 三维重建与 SLAM 核心环节 | 提速 200% 到 500% | 原数字实现 |
| 无线通信 | 128×128 信道格拉姆矩阵 | 等效吞吐提升 20 到 207 倍 | 数字 ASIC 与 GPU |
| 无线通信 | 128×128 信道格拉姆矩阵 | 等效能效提升 27.6 到 61.3 倍 | 数字 ASIC 与 GPU |
三个方向里最容易被误解的是训练那两行。92% 和 56% 不是模型精度提升,而是更新步骤消耗的下降,前提是采用二阶优化方案。换句话说,AX100 在这套测试里的角色是加速二阶优化的矩阵运算环节,而不是替代 GPU 去做前向反向的常规计算。这个区别很重要,它决定了这颗芯片更像是挂在训练流水线上的专用加速单元,而不是通用替代品。
具身智能方向的两个区间则更贴近机器人实际部署的痛点。运动控制要求毫秒级响应,SLAM 要求稳定帧率,这类任务此前往往要在精度和速度之间取舍。AX100 给出的 150% 到 500% 区间,对应到工程上就是同一台机器人主板上能多跑几倍的感知与规划迭代。
具身智能的模型侧进展也在同步发生。智元 WITA-Omni 实现了 400 毫秒响应并在四个榜单上居首,谷歌 Gemini Robotics 2.5 在奔驰产线分拣达到 96% 准确率。算力底座和模型能力是配套推进的,专用芯片能压低推理与控制的延迟,模型侧才能把具身任务推到生产线级别。
和 GPU 差多少:20 到 207 倍是怎么来的
把模拟计算与数字芯片放在一张表里对比,能看清这 207 倍的来源和它的适用边界。
| 维度 | AX100 模拟路径 | GPU 与数字 ASIC |
|---|---|---|
| 矩阵求逆方式 | 电路自平衡,一次读出 | 乘加迭代,复杂度立方级 |
| 512 阶求解耗时 | 小于 100 纳秒 | 数十到上百微秒 |
| 单次计算功耗 | 约 80 毫瓦 | 随规模与频率上升 |
| 计算精度 | 24 位定点精度 | 浮点,可调精度 |
| 编程灵活性 | 矩阵规模与结构受电路约束 | 通用,任意算子 |
| 制造工艺 | 成熟工艺即可,不依赖先进制程 | 跟随主流制程路线 |
| 生态与工具链 | 未公开 | 成熟完善 |
无线通信那一行是三者差距最大的地方。128×128 的信道格拉姆矩阵属于固定结构、规模明确的典型负载,等效吞吐提升 20 到 207 倍、等效能效提升 27.6 到 61.3 倍。这组数字的适用前提是矩阵结构规整且可静态映射,换成规模不定、结构稀疏的通用负载,优势会明显收窄。
而大模型训练那一行更能说明问题。629 万参数规模的模型测试,相对动辄百亿参数的商用模型其实很小。在这个量级上收益最明显,原因是训练阶段的二阶优化每一步都要解一个随批量规模增长的矩阵方程,矩阵越大,模拟路径的常数延迟优势越明显。但把结论外推到万亿参数级别,还需要更多验证。
从产业角度看,AX100 最有分量的地方或许不是快,而是工艺。它不依赖先进制程,用当前成熟工艺就能实现全链路自主可控。在先进制程受限的背景下,这条路径绕开了最紧的那道约束。安纳智芯在 2026 年 6 月完成新一轮数亿元融资,由经纬创投领投,峰瑞资本、阿尔法公社跟投,老股东讯飞创投、中赢创投参与。
现在能买到吗:三个现实限制
流片点亮与量产之间隔着一段距离,这个距离需要如实说清。
第一,所有性能数字均为安纳智芯自报,尚未发布公开数据手册,也没有第三方基准测试结果。芯片验证团队在三个场景下的测试规模偏小,模型用的是 293 万与 272 万参数级的结构,与商用大模型不在同一量级。
第二,样品与时间表未公布。公司没有给出什么时候能拿到芯片、什么时候能买到,价格体系也完全空白。模拟计算芯片要过良率、可靠性与成本三关,任何一关卡住都可能推迟商业化时间表。
第三,可编程性是模拟架构的固有短板。矩阵方程被焊进电路,意味着换一组矩阵尺寸就要重新设计电路。专用加速单元的思路在边缘侧早就被验证过,DEEPX DX-M2 用 2nm 工艺在 5 瓦功耗下跑 10B 模型,走的是同一条专用化路线。而特斯拉把 Dojo D3 转向 HBM 的路线图选择,则代表另一种思路,把通用性和带宽问题一起解决。
把这三件事放在一起,AX100 现阶段更接近一份有力的技术证明,而不是一份采购清单。它证明了矩阵方程求解这条路径可以被做出高精度、可扩展、且能落到成熟工艺上的芯片产品。
常见问题
AX100 现在能买到吗?不能。芯片 2026 年 10 月完成流片并点亮,目前处于流片后验证阶段,样品供应时间、价格与量产计划均未公开,公司也尚未发布数据手册。
模拟计算会不会取代 GPU?不会,至少短期内不会。AX100 擅长的是结构规整、规模确定的矩阵方程求解,把它接进训练流水线做专用加速是更现实的路径。通用算力、任意算子、成熟的软件生态这几项仍然只有数字芯片具备。
AX100 和 GPU 到底差多少?在 128×128 信道格拉姆矩阵这类固定结构负载上,等效吞吐提升 20 到 207 倍、等效能效提升 27.6 到 61.3 倍;在训练侧以二阶优化方案测试,训练更新消耗分别减少 92% 和 56%。这些数字全部来自安纳智芯自测,尚无第三方复现。
小结
AX100 最有价值的部分,是把一个困扰学界几十年的模拟计算精度与可扩展性难题,用 24 位定点精度和量产流片这两件事同时回答了。这让以物理电路换算力从论文走向了产品。
它也提醒了一件事,评估一颗芯片时性能数字和工程状态要分开看。100 纳秒、207 倍、92% 全部成立,但它们描述的是一颗还没卖出去的芯片。流片点亮是起点,良率、可靠性和成本决定它能不能进入训练集群和机器人主板。评估新硬件时,把这两组信息分开,比单看任何一个数字都更可靠。
相关阅读
- 特斯拉 SI6 算力 80 倍:Dojo D3 转 HBM 的芯片路线图拆解
- DEEPX DX-M2:2nm 80TOPS 5W 跑 10B 模型,边缘芯片怎么选
- 智元 WITA-Omni:400 毫秒响应与四榜第一的具身全模态模型
- Gemini Robotics 2.5 深度:奔驰产线分拣 96% 与越狱抗性 99.5%
延伸阅读
- 润泽科技前三季营收 56.66 亿元 AIDC 暴涨 126%2 周前
- 台积电拟设 5 亿美元创投基金:寻找下一个英伟达3 天前
- 谷歌 Project Suncatcher:4 枚 TPU 在轨跑通 AI 推理2 周前
- 国产工业母机订单排到明年二季度:上半年利润总额增 110.8%3 周前
继续读
往下这几篇值得接着看:
- DEEPX DX-M2:2nm 80TOPS 5W 跑 10B 模型,边缘芯片怎么选2026-11-13
- 平头哥分拆港股上市:56 万片真武与 650 家客户2026-11-12
- 英伟达 H200 对华出口 24 家获批企业:2 家是空壳2026-11-09
想快速查定义?对应的词条在这里:
- AI Agent词条 · AI 自学笔记
