對于大多數習慣了數字計算機（0和1）的公眾而言，“模擬計算”是一個既古老又新奇的概念，什么是模擬計算呢？

孫仲首先用生動的比喻對其進行解釋：“現在的所有芯片都是數字計算，數據都需要先轉換成0和1的符號串。比如數字‘十’，需要轉譯成‘1’和‘0’，計為‘1010’?！比绻枚M制來表示“1+1=2”，則應該記作“1+1=10”。

孫仲說，“而模擬計算則無需這層‘轉譯’，它是一種‘類比計算’（analogue computing），可以直接用連續的物理量（如電壓、電流）來類比數學上的數字。比如，數學上的‘十’，可以直接用十伏或十毫伏的電壓來表示?！?/p>

模擬計算機在計算機發展早期（上世紀30-60年代）曾被廣泛應用，但隨著計算任務日益復雜，其精度瓶頸凸顯，逐漸被數字計算取代。孫仲指出，此次研究的核心正是要解決模擬計算“算不準”這一痛點。

▲課題組合影

當前的市面上的主流CPU和GPU都是數字芯片，并都采用馮諾依曼結構，將計算和存儲功能分開，通過01數字流的編譯+計算+解碼實現信息計算和傳輸。

基于阻變存儲器的模擬計算的優勢之一在于取消了“將數據轉化為二進制數字流”這一過程，同時不必進行“過程性數據存儲”，進而將數據計算過程與數據存儲合而為一，實現算力解放。

孫仲指出，與其他“存算一體”方案對比，國內外許多團隊集中于研究矩陣乘法（AI推理的核心），而他的團隊特色在于專注于更具挑戰性的矩陣方程求解（AI二階訓練的核心）。矩陣求逆操作要求的計算精度極高，時間復雜度達到了立方級。而模擬計算憑借物理規律直接運算的方式，具有低功耗、低延遲、高能效、高并行的天然優勢，只要能夠不斷降低計算誤差，不斷提升計算精度，將為傳統GPU的算力解放帶來爆炸性突破。

▲高精度全模擬矩陣計算求解矩陣方程

在計算精度方面，團隊在實驗上成功實現16×16矩陣的24比特定點數精度求逆，矩陣方程求解經過10次迭代后，相對誤差可低至10??量級。在計算性能方面，在求解32×32矩陣求逆問題時，其算力已超越高端GPU的單核性能；當問題規模擴大至128×128時，計算吞吐量更達到頂級數字處理器的1000倍以上，傳統GPU干一天的活，這款芯片一分鐘就能搞定。

▲孫仲

關于應用前景，孫仲認為，模擬計算在未來AI領域的定位是強大的補充，最有可能快速落地的場景是計算智能領域，如機器人和人工智能模型的訓練。

談及與現有計算架構的關系，孫仲強調未來將是互補共存：“CPU作為通用‘總指揮’因其成熟與經濟性而難以被淘汰。GPU則專注于加速矩陣乘法計算。我們的模擬計算芯片，旨在更高效地處理AI等領域最耗能的矩陣逆運算，是對現有算力體系的有力補充?！?/strong>