论文由北京大学、IBM苏黎世研究院和Unconventional AI四方作者共同署名，从任务、硬件、可行性三个维度区分现代与传统模拟计算；团队称其模拟矩阵计算方案在同精度下吞吐量约为H100单核与数字ASIC的1000倍。
AI解读：北京大学人工智能研究院长聘副教授孙仲联合IBM苏黎世研究院和硅谷初创公司Unconventional AI，在Nature旗下专注非传统计算的期刊发表综述论文，标题提出“现代模拟计算”，试图为该方向建立正式定义。孙仲同时拟任模拟计算芯片公司安纳智芯首席科学家。
论文从三个维度区分现代与传统模拟计算：任务上，传统模拟计算面向微分方程求解，现代模拟计算主要面向AI与6G通信中的矩阵计算；硬件上，传统方案依赖CMOS模拟电路，现代方案基于阻变存储器等新型纳米器件；可行性上，论文称现代方案已探索出高精度与可扩展的工程路径。
据论文与报道，现代模拟计算将乘法映射为欧姆定律、求和映射为基尔霍夫电流定律，在阻变存储器交叉阵列中一次完成一列乘加；引入全局负反馈闭环后，电路瞬态响应可直接对应矩阵方程求解。
报道称，安纳智芯的模拟矩阵计算电路单次求解耗时小于100纳秒，且该物理响应时间与矩阵维度无关。2025年10月，孙仲团队在《Nature Electronics》提出用8个离散电导态位切片拼接实现24位定点精度，3次迭代将相对误差压至10^-4，后续可收敛至10^-7；分块算法实测扩展至512×512维矩阵。
报道援引实测评估称，在同等FP32精度下，该方案吞吐量约为英伟达H100单核与数字ASIC的1000倍，能效约为后者的100倍，综合成本相较主流GPU具备约10倍优势。上述数字来自团队方面的评估，并非第三方独立验证。
落地规划方面，安纳智芯预计一年内推出面向具身智能运动控制与规划的实测演示，中期聚焦6G大规模MIMO信号处理，3到5年目标扩展至数千个并行模拟核以支持大模型二阶优化训练。报道还提到，北大团队已在5G-A与6G基站大规模MIMO实验中实现3次迭代零误差还原图像与256-QAM星座图。
北京大学人工智能研究院长聘副教授孙仲与IBM苏黎世研究院、硅谷初创公司Unconventional AI的研究者合作，在Nature旗下专注非传统计算的期刊发表综述论文，标题提出“现代模拟计算”，为该方向划定定义框架。论文四位作者分别来自北京大学、IBM苏黎世研究院和Unconventional AI。孙仲同时拟任模拟计算芯片公司安纳智芯首席科学家。
论文从任务、硬件、可行性三个维度区分现代与传统模拟计算，并以孙仲团队此前的高精度矩阵方程求解工作作为技术支撑。报道中的性能与成本数据来自团队方面的评估。
论文如何界定“现代模拟计算”
论文从三个维度把“现代模拟计算”与传统模拟计算区分开来。任务维度上，传统模拟计算仅面向微分方程求解，现代模拟计算主要面向AI时代与6G通信中需求庞大的矩阵计算。硬件维度上，传统方案依赖CMOS模拟电路，现代方案基于阻变存储器（RRAM等忆阻器）这类新型纳米器件。可行性上，论文称传统方案受困于低精度和难扩展，现代方案已探索出高精度与可扩展的工程路径，并定义了边界、原语和演进路径。
论文将模拟计算归纳为解微分方程、解矩阵方程、矩阵向量乘法三个核心原语，三者共享加法器、乘法器、积分器这组基本算子，并称微分方程离散化可化为矩阵方程，矩阵方程既可用矩阵乘法迭代逼近，也可通过模拟闭环网络一步测出。
在物理机制上，阻变存储器的电导可随电脉冲改变且断电不丢失，使乘法的一个输入被编程为电导、另一个作为电压加载，输出电流按欧姆定律即为乘积；多路电流汇入同一列导线时按基尔霍夫电流定律相加，一列乘加一次完成。外围引入负反馈闭环后，电路在纳秒内收敛到物理平衡态，平衡点电压对应方程解。
精度与性能：团队公布的实测数据
报道称，2019年孙仲团队在《PNAS》展示一步求解矩阵方程时，受模拟器件涨落影响，求解相对误差约3%，阵列规模仅3×3。2025年10月，团队在《Nature Electronics》提出采用每个器件8个离散电导态（等效3比特）的位切片方案，通过8个切片拼接实现24位定点精度，仅3次迭代将相对误差压至10^-4，后续可收敛至10^-7，报道称这一水准追平数字处理器的FP32单精度浮点运算。团队配套的BlockAMC分块算法在实测中已扩展至512×512维矩阵。
报道称，安纳智芯的模拟矩阵计算电路单次求解耗时小于100纳秒，该物理响应时间与矩阵维度大小无关；在与数字芯片同等的FP32计算精度下，其吞吐量达到英伟达H100单核与数字ASIC的约1000倍，能效约为后者的100倍。团队还称，由于采用位切片架构，每个子阵列只处理3比特，外围只需6至8比特分辨率、10MHz采样率的基础模数转换器即可。
在制造端，报道称阻变存储器可在28纳米乃至22纳米成熟制程上可靠制造，综合成本相较主流GPU具备约10倍竞争优势。上述吞吐量、能效与成本数字均为团队方面的评估，报道未给出第三方独立复现或对比测试的细节。
- 2019年：3%相对误差，3×3阵列（PNAS）
- 2025年10月：8个离散电导态位切片、24位定点精度，3次迭代误差10^-4，可收敛至10^-7（Nature Electronics）
- 分块算法实测扩展至512×512维矩阵
- 单次求解耗时小于100纳秒，与矩阵维度无关（安纳智芯称）
- 同精度吞吐量约为H100单核与数字ASIC的1000倍，能效约100倍（团队评估）
数模协同与落地场景
在芯片架构中，矩阵运算交由专用微型模拟核完成，结果经模数转换器转为数字信号，核间及跨芯片数据传输走数字通道，开方、三角函数等非线性算子交由数字逻辑处理，团队将其概括为“让矩阵归模拟，让逻辑归数字”。
落地规划上，报道称安纳智芯预计一年内推出面向具身智能运动控制与规划的实测演示；中期聚焦6G无线通信中的大规模MIMO信号处理。北大团队在5G-A与6G基站的大规模MIMO实验中，称经3次迭代即零误差还原北大校徽图像与256-QAM星座图，误码率曲线与数字FP32方案重合。更长远规划为3到5年内将芯片扩展至数千个并行模拟核，原生支持大模型的二阶优化训练。
合作方与国际同行
综述论文的合作作者Manuel Le Gallo与Abu Sebastian来自IBM苏黎世研究院，后者为IEEE Fellow。另一名共同作者Piergiulio Mannocci现为Unconventional AI核心科研骨干，早年在米兰理工大学曾与孙仲合作。报道称Unconventional AI公布的种子轮估值超过45亿美元；另一家硅谷公司Normal Computing累计融资逾8500万美元，投资方包括三星、Eric Schmidt旗下First Spark Ventures及英国ARIA。
报道称，硅谷公司多以“把AI能耗降到千分之一”为宣传点，安纳智芯则更侧重“将计算速度提高100倍”。孙仲在报告中对比Normal Computing所用闭环负反馈模拟求逆电路拓扑，标注“Another name, same circuit”。这些表述出自报道与孙仲方面的介绍，属于相关方的说法。