黄仁勋的GPU，解一道矩阵方程，要做上亿次乘法。

一家中国公司，一步就给解了，用的是模拟计算。

这家公司叫安纳智芯（Anatrix）。

过去几年，整个AI行业几乎都在往同一个方向狂奔。GPU、TPU、LPU、CPU……大家卷来卷去，本质上卷的其实还是数字计算：

更多晶体管、更先进的制程、更大带宽、更高吞吐。

但最近，我们发现有一批公司，开始不按这个逻辑走了。

安纳就是其中之一。

他们选定的，是一个已经沉寂已久、但这两年又开始火热的方向：

模拟计算。

这个概念听着新，其实一点都不新。

早在数字计算机大规模普及之前，人类就已经在研究模拟计算。最近很火的存算一体、光计算、量子计算、类脑芯片，往大了说，本质上也都属于这条路线。

之所以这两年重新被关注，一个很重要的原因在于：

模拟计算天然具备更高并行度、更低功耗，而且不像数字芯片那样高度依赖先进制程。

但它的问题也很明显，数字计算本质上处理的是0和1，只要能区分高低电平，误差就能被不断校正。

而传统模拟计算由于是直接用物理信号表示信息。电压、电流、电导这些量在传播过程中，容易积累噪声和漂移。

矩阵规模越大，误差放大得越夸张。

过去几十年，数字计算靠着摩尔定律一路狂飙，精度被不断“硬堆”上去；而模拟计算虽然理论上更高效，却始终困在精度问题里。

△

图源：Unconventional AI

行业里甚至一直有一个很流行的观点：模拟计算很快、很省电，但不可信。精度，也因此成了模拟计算近几十年来最大的死结。

而安纳做的，就是把它解开。

模拟计算的精度，不再是问题了

过去近十年里，安纳的核心科学家一直在做同一件事——

把模拟计算的结果，做得足够可信。

去年，团队完成了精度媲美数字芯片水平的原理性验证，在模拟计算领域达到断档式领先，而今年，相关芯片目前已经进入流片阶段。

在技术路线上，安纳走的是一条非常典型、但也非常“硬核”的模拟计算路线：

基于存储器阵列，搭建非冯诺依曼架构芯片。

简单来说，就是把矩阵方程直接映射进物理电路，让电路本身成为方程求解器。

输入给进去，测输出，输出就是解。

也正因如此，那些GPU没办法直接求解、只能靠海量迭代逼近的矩阵方程，在安纳这里，可以一步完成，并保持精确。

（注：GPU拿到一个512×512的矩阵方程后，第一件事并不是“直接解”。它会先把问题拆开、转置、分解，再转化成海量矩阵乘加运算，通过一轮轮迭代慢慢逼近答案。整个过程，往往需要上亿次乘法。）

但有意思的是。

即便精度问题开始被解决，今天大多数模拟计算公司依然没有选择这条路。

像Unconventional AI、Normal Computing、EnCharge AI这些近两年最受关注的模拟计算创业公司，主打的依然是低功耗、存算一体或者特定场景加速。

（注：模拟计算正在重新获得资本市场关注。2025年底，主打低功耗模拟芯片的 Unconventional AI在种子轮便获得Lightspeed Venture Partners和a16z联合领投的4.75亿美元融资，估值接近45亿美元；专注热力学计算的Normal Computing于今年3月完成由三星领投的5000万美元融资；而存算一体公司EnCharge AI去年也完成了超过1亿美元的B轮融资。）

这背后其实对应着两种完全不同的研究哲学。

一种思路是接受模拟计算存在误差，在低精度条件下寻找“够用”的应用场景。

另一种思路，则是先把精度做到极限，再讨论效率和成本。

安纳属于后者。

在与量子位交流时，团队反复提到一个观点：

所有计算平台的发展历史，几乎都是先把精度做到天花板，再根据场景需求向下做取舍。

数字计算也是如此，AI模型训练里，先有FP32，再向下兼容FP16、INT8、INT4。

如果一开始就在低精度里寻找“够用”，很多能力可能永远没有机会被验证。

从上世纪80年代末的类脑计算，到后来的模拟神经网络，再到今天的存算一体，类似的故事其实已经反复出现过很多次。

所以，并不是追求精度这件事有争议，而是在过去很长时间里，由于模拟计算精度低是固有的，大家停留在这一层面，存在认知上的偏差，于是只能退而求其次。

而安纳率先完成了认知上的突破，他们真正想做的，就是把高精度模拟计算推向可用。

所有人都在做乘法，安纳想把“除法”补回来

除了对精度的态度，安纳和其他模拟计算公司的不同，还在于他们选了一个完全不一样的方向：

矩阵求逆。

今天做模拟计算的公司，不管是存算一体、模拟CIM，还是各种类脑、光计算路线，几乎都在做矩阵乘法。

这其实很好理解，因为整个AI产业，本质上就是建立在矩阵乘法之上的。

一方面，GPU本身就极其擅长矩阵乘法；另一方面。大模型推理，也几乎全是矩阵乘法，所以

整个行业的思路都很自然——

既然模拟计算更省电、更并行，那就拿它去替代一部分GPU的矩阵乘法，但安纳并没有这么做，他们选择了更第一性的矩阵求逆。

那么，矩阵乘法和矩阵求逆有啥不一样呢？

简单来说，矩阵乘法，本质上是“知因求果”。权重已知、参数已知，乘起来、加起来，最后得到结果。

而矩阵求逆反过来。结果已经知道了，但中间真正的参数、权重、状态未知，你需要反过来把它求出来，从结果反推原因。

对应到大模型里也很好理解：矩阵乘法更多对应推理，而矩阵求逆则更接近训练。

因为训练本质上，就是已知输入和输出，再反过来寻找中间最合适的参数。

（注：今天主流数字计算的做法，依然是把原本需要直接求解的问题，转化成海量矩阵乘法，再通过不断迭代去逼近答案。）

事实上，矩阵求逆并不局限于大模型训练。现实世界里真正难的问题，很多其实都是“逆问题”。

比如，机器人为什么会摔倒？自动驾驶怎么从传感器数据里还原真实状态？通信系统怎么从混杂信号里恢复原始信息？

这些问题，底层都在做同一件事：从结果反推原因。

而这，恰恰是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。它的做法，本质上是绕。

先把一个求逆问题拆开，再转化成海量矩阵乘法，然后通过不断迭代，一轮轮逼近最终答案。

所以GPU不是“直接解”，而是在“逼近解”，这也是为什么，我们前面会看到那个“一亿步”和“一步”的差别。

为了更加深入地理解这两者的差异，安纳还给我们打了一个很形象的比方。

比如你要建长城。矩阵求逆就像“砖”。而数字芯片手里其实没有砖。它只有沙子、泥土、原料。

所以它得先和泥、烧制、成型，最后才能得到一块砖，再拿这块砖去建长城。

模拟计算芯片，则是直接把砖给你。你不用再从沙子开始。所以这不是“快一点”或者“省一点”的区别，而是计算范式本身不同。

一个是在不断迭代逼近。

一个则是原生求解。

安纳想做的，就是把这块缺失了很多年的“砖”，重新补回来。

让矩阵归模拟，让逻辑归数字

说到最后，一个很现实的问题摆在面前：

模拟计算这块“砖”，到底怎么插进今天已经高度成熟的AI基础设施里？

安纳给出的答案很简单：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、数据格式和互联方式上，都兼容现有GPU体系，可以直接接入今天已经scale起来的AI Infra和算力中心。

更重要的是，它不依赖最先进制程。

当数字芯片还在3nm、2nm上继续向物理极限逼近时，模拟计算某种意义上已经跳出了那套“拼晶体管、拼工艺、拼堆叠”的竞争逻辑。

而一旦矩阵求逆这块“砖”真正补上，它带来的变化，可能会比想象中更大。

机器学习里的优化问题、具身智能的实时运动控制、自动驾驶的状态估计、6G通信里的信号恢复、端侧AI的在线学习……这些系统背后，本质上都在高频求解矩阵方程。

过去很多问题不是不能做，而是太慢、太贵、太耗电。

而矩阵求逆一旦能够被原生、高精度、低功耗地完成，很多过去只能放在云端、只能离线训练、只能近似求解的事情，可能都会开始发生变化。

所以回头再看，安纳想做的，其实不只是一颗“更快更省电的芯片”。

他们真正想切入的，是下一代智能系统最底层的计算方式。

2012年，人们第一次意识到，GPU不仅能画图，还能训练神经网络。

AI时代由此开启。

而今天，安纳试图回答的是另一个问题：

如果矩阵乘法定义了过去十年的AI，那么模拟计算和矩阵求逆，会不会定义下一代智能系统？

至少现在，他们已经站在了这个问题的最前排。