北大与IBM合作推动模拟计算进入矩阵时代，硬件-电路-算法融合创新突破传统瓶颈

模拟计算正经历一次结构性变革。北京大学与IBM的合作项目近期引发关注，其核心在于重构模拟计算的技术路径：不再依赖传统CMOS模拟电路求解微分方程，而是转向以矩阵运算为基础、结合忆阻器（阻变存储器）的新型硬件架构。这一转变被业内称为“模拟计算进入矩阵时代”，其意义不仅在于性能跃升，更在于重新定义了模拟计算在AI与科学计算中的角色。

传统模拟计算已有数十年历史，早期广泛用于雷达信号处理、控制系统仿真等领域。其优势在于低功耗与实时性，但长期受限于精度低、可编程性差、难以扩展等问题。典型系统如基于运算放大器构建的模拟计算机，虽能快速求解常微分方程，却无法灵活适配现代机器学习或大规模物理仿真需求。正如图中所示，传统路径依赖“求解微分方程”与“基于CMOS模拟电路”，存在明显短板；而现代路径则聚焦“矩阵计算”与“基于阻变存储器（忆阻器）”，强调高精度、可扩展性与硬件-算法协同设计。

此次北大与IBM的合作，关键突破点在于“器件-电路-算法融合创新”——即从底层器件（如忆阻器阵列）出发，同步设计电路拓扑与计算算法，使三者形成闭环优化。忆阻器因其非易失性、模拟特性及高密度集成潜力，成为实现模拟矩阵乘法的理想载体。在该架构下，一次电压施加即可完成整个矩阵向量乘（MVM），而GPU需数百次迭代才能逼近同等结果。有业内人士形象指出：“GPU迭代一百次的事，它一步做完”，这并非夸张修辞，而是对模拟计算在特定任务上指数级加速能力的客观描述。

值得注意的是，该合作并非孤立事件，而是嵌入在更广泛的“校企协同创新”生态之中。2026年11月初，中关村科学城“校企人才共育平台”在北大启动，由企业党委联合北大创新创业学院、声智科技等共建，强调“产业出题、高校解题、人才实战”。虽然该平台首期聚焦听觉智能与水面无人艇等物理AI场景，但其机制——即真实问题驱动研发、学生深度参与全流程工程实践——为北大在模拟计算等前沿方向的持续攻关提供了制度保障与人才储备。

与此同时，行业对“系统级协同优化”（STCO）的需求日益迫切。在2026芯和半导体用户生态大会上，多位专家指出：AI时代算力已不能仅看单芯片性能，而需评估整机柜甚至集群的Token产出效率与综合成本。芯片、封装、存储、互连、供电与散热构成一个强耦合系统，“木桶效应”显著。在此背景下，模拟计算若想真正落地，必须跳出单一器件视角，纳入系统级能效与热管理考量。北大-IBM方案中强调的“融合创新”，恰好呼应了这一趋势——其硬件设计本身即考虑了功耗与热稳定性，算法层也针对模拟噪声与非线性误差做了鲁棒性建模。

从应用前景看，该技术有望率先在两类场景落地：一是科学计算中的偏微分方程快速求解（如流体力学、电磁场仿真），二是神经网络推理加速。后者尤为关键：当前Transformer类模型的前馈层本质是大量矩阵乘，若用忆阻器阵列直接实现，可在毫瓦级功耗下完成推理，大幅降低边缘设备部署门槛。相较之下，数字AI芯片即便采用存内计算（PIM）方案，仍需ADC/DAC转换环节引入延迟与误差；而纯模拟路径可规避此瓶颈，前提是解决精度校准与非理想效应补偿问题——这正是北大团队联合IBM正在攻关的核心课题。

值得补充的是，国内在模拟计算相关领域已有多个协同创新体布局。例如，北大医学-新方正数智医教实验室开发的“医唯思”医疗大模型，虽聚焦临床教学，但其底层技术栈同样融合了RAG、KAG与智能体协同机制，体现出“算法-数据-场景”闭环思维，与模拟计算所需的“器件-电路-算法”协同逻辑高度同构。这种跨学科方法论的迁移，暗示未来技术突破可能来自边界模糊的交叉地带。

目前，该合作尚未公布具体芯片流片或系统实测数据，但其技术路线图已清晰指向三个关键阶段：第一阶段验证忆阻器阵列的线性度与耐久性；第二阶段集成片上校准电路与混合信号接口；第三阶段构建端到端训练-推理框架，支持反向传播的模拟梯度计算。IBM在忆阻器材料与制造工艺方面积累深厚，北大则在算法建模与系统集成上具备优势，双方互补性强。

模拟计算曾被视为“过时技术”，但在AI算力需求爆炸式增长、摩尔定律趋缓的当下，其低功耗、高并行特性重新获得重视。谷歌、英特尔、MIT等机构近年均加大投入，但多集中于数字-模拟混合方案；而北大-IBM路径更彻底地拥抱纯模拟范式，并试图通过系统级协同设计弥补其传统弱点。若该路径成功验证，或将催生新一代专用计算架构，为科学计算、边缘AI与实时控制提供新选择。

技术演进从来不是单点突破，而是生态协同的结果。当高校的理论深度、企业的工程能力与区域政策支持形成合力，像模拟计算这样的“老技术”便有机会焕发新生。北大与IBM的这次合作，既是技术路线的再定义，也是中国参与全球前沿计算竞争的一次务实落子。