中國報告大廳網訊，2025年6月4日

  近年來，人工智慧的算力需求與能源消耗之間的矛盾日益突出。傳統數字晶片在處理矩陣運算時因數據搬運和二進位邏輯限制面臨能效瓶頸，而模擬計算技術雖被寄予厚望卻長期受困於噪聲問題。近日，一項突破性成果通過重新定義電流與電荷的物理關係，在保持計算精度的同時將能耗降低20倍，為邊緣設備AI應用開闢了全新路徑。

  一、模擬AI晶片的困境：從理想到現實

  早期模擬人工智慧方案試圖利用電阻存儲器或磁存儲器實現"存算一體"架構。這類技術通過歐姆定律和基爾霍夫電流定律完成矩陣乘法運算，理論上可將每萬億次操作能耗降至傳統GPU的千分之一。然而實際應用中，半導體器件的物理特性缺陷導致電導值存在溫度漂移、工藝偏差等問題，噪聲污染使計算結果難以滿足複雜神經網絡需求。某實驗室曾展示過基於磁存儲器的原型機和最大矩陣運算晶片，但其可靠性始終無法突破商業化的臨界點。

  二、電荷求和：顛覆性物理原理重構計算範式

  新型AI晶片的核心創新在於將關鍵乘法累加（MAC）操作從電流域遷移至電荷域。通過精密控制的電容器陣列，運算以Q=CV公式為基礎完成權重與輸入數據相乘，再利用電容耦合實現結果疊加。該架構採用CMOS工藝可控性極強的銅互連層構建電容網絡，導體間距誤差可精確控制在納米級，徹底擺脫了傳統模擬晶片對材料缺陷的依賴。實驗數據顯示，這種幾何參數主導的設計使噪聲水平降低兩個數量級。

  三、性能突破：200TOPS/W開啟邊緣計算新紀元

  首款量產晶片EN100採用該架構實現了每秒200萬億次運算（TOPS），功耗僅8.25瓦。其單卡設計可為筆記本電腦提供持續AI推理，相較最新GPU方案能效比提升達20倍。更值得關注的是四晶片組合版本，在工作站級設備中達到1000TOPS算力時仍保持超低能耗。這種突破使實時圖像識別、語音交互等應用能在本地終端流暢運行，無需依賴雲端伺服器。

  四、技術路線競爭：模擬計算的數位化突圍

  當前AI硬體賽道呈現多元化發展態勢。某公司通過SRAM單元實現存儲計算融合，但受限於數字累加方式無法突破能效極限；另一初創企業採用改良型RRAM器件，卻仍未能完全消除材料噪聲問題。相比之下，電荷域計算架構在保持模擬優勢的同時規避了核心缺陷，其模塊化設計允許與傳統CMOS工藝兼容，為大規模量產提供了可行性。

  總結：這項技術標誌著人工智慧硬體進入"精準模擬"新階段。通過將物理定律創造性應用於晶片架構設計，開發者成功破解了困擾行業多年的噪聲難題。隨著2025年產品開始交付早期客戶，我們正見證著一場靜默的革命——低功耗AI晶片或將終結雲端計算壟斷，讓更安全、個性化的智能服務真正紮根於每個終端設備之中。