北京大学人工智能学院孙仲研究员团队在新一代高能效计算芯片领域取得里程碑式突破，成功研发面向非负矩阵分解任务的阻变存储器（RRAM）模拟计算专用芯片。实测数据显示，对比当前行业先进数字芯片，该芯片运算速度提升约 12 倍，整体能效比大幅提升超 228 倍，相关原创研究成果已正式刊发于国际权威期刊《自然・通讯》，为海量数据智能处理提供低功耗硬件全新方案新华网。

当前人工智能大模型、图像识别、电商推荐、生物基因数据分析等场景，高度依赖非负矩阵分解算法完成特征提取与数据降维。传统冯・诺依曼架构数字芯片存在 “存储 – 计算分离” 痛点，海量数据频繁搬运带来巨大功耗开销，面对百万级、千万级大规模数据集时，普遍存在运算延迟高、能耗居高不下、算力扩容成本高昂等难题，成为制约边缘智能、绿色算力发展的核心阻碍。

为破解算力能效困境，北大科研团队深耕模拟计算前沿赛道，跳出传统数字电路运算逻辑，依托阻变存储器存算一体物理特性，创新设计可重构紧凑型广义逆电路，通过电导补偿核心原理简化运算链路，将非负矩阵分解核心计算步骤实现 “一步物理求解”，大幅缩减芯片电路规模，从底层同时压缩面积损耗与动态功耗，构建起高精度、低时延、超高能效的模拟求解硬件系统。

多场景系统性实测验证充分印证芯片综合性能优势：在图像压缩处理任务中，芯片完成高清图像分解后画质信噪比几乎无损失，存储空间占用相比传统方案降低 50%；在影视推荐系统标准数据集训练测试中，同等运算精度条件下，新型芯片完成全部训练流程速度达到主流数字芯片 12 倍，能耗仅为后者 1/228；针对大规模网络推荐、生物测序数据挖掘等高负载场景，设备长时间稳定运行无精度衰减，具备极强工程落地适配性。

据团队核心研究人员介绍，模拟计算依托器件物理规律实现天然并行运算，天生具备低功耗、低延迟优势，本次成果解决了长期以来模拟计算精度不足、电路臃肿、难以适配复杂大数据任务的行业痛点。这款新型芯片无需复杂散热配套，可灵活部署于手机、可穿戴设备、边缘算力终端、云端智算节点等多元硬件平台，能够显著降低 AI 服务运行电力消耗，助力数据中心实现低碳算力转型。

业内专家评价，该成果打通 “新型存储器件 – 原创模拟电路 – 大数据算法” 一体化协同设计路径，是我国在后摩尔时代计算架构变革领域的重要自主创新。228 倍级能效提升大幅缩小我国与国际顶尖高能效芯片技术差距，为下一代低功耗 AI 加速器、轻量化端侧智能芯片、生物信息高速处理设备奠定硬件基础，在智慧消费电子、工业视觉、生物医药、智能推荐、6G 信号处理等领域具备广阔产业化前景。

下一步，研究团队将持续优化芯片架构扩展性，推进多类型矩阵运算兼容迭代，联合集成电路产线开展流片工程化适配，加速推动这款超高能效模拟计算芯片从实验室成果走向商用落地，持续为国内绿色智能算力基础设施建设提供自主可控核心硬件支撑。