中国报告大厅网讯，2025年6月4日

  近年来，人工智能的算力需求与能源消耗之间的矛盾日益突出。传统数字芯片在处理矩阵运算时因数据搬运和二进制逻辑限制面临能效瓶颈，而模拟计算技术虽被寄予厚望却长期受困于噪声问题。近日，一项突破性成果通过重新定义电流与电荷的物理关系，在保持计算精度的同时将能耗降低20倍，为边缘设备AI应用开辟了全新路径。

  一、模拟AI芯片的困境：从理想到现实

  早期模拟人工智能方案试图利用电阻存储器或磁存储器实现"存算一体"架构。这类技术通过欧姆定律和基尔霍夫电流定律完成矩阵乘法运算，理论上可将每万亿次操作能耗降至传统GPU的千分之一。然而实际应用中，半导体器件的物理特性缺陷导致电导值存在温度漂移、工艺偏差等问题，噪声污染使计算结果难以满足复杂神经网络需求。某实验室曾展示过基于磁存储器的原型机和最大矩阵运算芯片，但其可靠性始终无法突破商业化的临界点。

  二、电荷求和：颠覆性物理原理重构计算范式

  新型AI芯片的核心创新在于将关键乘法累加（MAC）操作从电流域迁移至电荷域。通过精密控制的电容器阵列，运算以Q=CV公式为基础完成权重与输入数据相乘，再利用电容耦合实现结果叠加。该架构采用CMOS工艺可控性极强的铜互连层构建电容网络，导体间距误差可精确控制在纳米级，彻底摆脱了传统模拟芯片对材料缺陷的依赖。实验数据显示，这种几何参数主导的设计使噪声水平降低两个数量级。

  三、性能突破：200TOPS/W开启边缘计算新纪元

  首款量产芯片EN100采用该架构实现了每秒200万亿次运算（TOPS），功耗仅8.25瓦。其单卡设计可为笔记本电脑提供持续AI推理，相较最新GPU方案能效比提升达20倍。更值得关注的是四芯片组合版本，在工作站级设备中达到1000TOPS算力时仍保持超低能耗。这种突破使实时图像识别、语音交互等应用能在本地终端流畅运行，无需依赖云端服务器。

  四、技术路线竞争：模拟计算的数字化突围

  当前AI硬件赛道呈现多元化发展态势。某公司通过SRAM单元实现存储计算融合，但受限于数字累加方式无法突破能效极限；另一初创企业采用改良型RRAM器件，却仍未能完全消除材料噪声问题。相比之下，电荷域计算架构在保持模拟优势的同时规避了核心缺陷，其模块化设计允许与传统CMOS工艺兼容，为大规模量产提供了可行性。

  总结：这项技术标志着人工智能硬件进入"精准模拟"新阶段。通过将物理定律创造性应用于芯片架构设计，开发者成功破解了困扰行业多年的噪声难题。随着2025年产品开始交付早期客户，我们正见证着一场静默的革命——低功耗AI芯片或将终结云端计算垄断，让更安全、个性化的智能服务真正扎根于每个终端设备之中。