Китайские учёные задают стандарт современным аналоговым вычислениям для ИИ

В мире вычислений происходит тектонический сдвиг, и на этот раз его эпицентр — не Кремниевая долина, а Пекин. Группа исследователей во главе с доцентом Института искусственного интеллекта Пекинского университета Сунь Чжуном, который также готовится занять пост главного научного сотрудника в компании по производству аналоговых вычислительных чипов «Анна Чжисинь», опубликовала в журнале Nature, посвящённом нетрадиционным вычислениям, обзорную статью, где в заголовок вынесено понятие «современные аналоговые вычисления». Этот текст призван дать направлению официальное определение. В числе четырёх авторов — представители Пекинского университета, исследовательского центра IBM в Цюрихе и калифорнийского стартапа Unconventional AI. IBM занимается аналоговыми и вычислительными технологиями в памяти более десяти лет и считается в отрасли эталоном, а её специалисты Мануэль Ле Галло и Абу Себастиан, обладатель статуса IEEE Fellow, давно находятся в числе ключевых фигур этого направления. При этом калифорнийские компании, работающие над аналоговыми вычислениями, пользуются ажиотажным спросом у инвесторов: оценка Unconventional AI превысила 4,5 миллиарда долларов, а Normal Computing получила инвестиции от Samsung и Эрика Шмидта. Обе компании обещают снизить энергопотребление ИИ в тысячу раз.

Сунь Чжун уже не первый раз пытается объединить разрозненные усилия вокруг одной идеи. Пару лет назад он вместе с международными коллегами опубликовал в Nature Electronics статью под названием «Полный спектр технологий вычислений в памяти», и теперь, по его словам, обзорная работа — лишь повод собрать вместе несколько ключевых мировых институтов и совместно записать определение современных аналоговых вычислений. Авторы выстраивают всю концепцию вокруг слова «современные» и разводят её с традиционными аналоговыми машинами по трём измерениям. По задачам: старые системы решали только дифференциальные уравнения, новые ориентированы прежде всего на матричные вычисления, которые стали главной нагрузкой эпохи ИИ и связи шестого поколения. По аппаратной базе: раньше это были КМОП-аналоговые схемы, теперь — мемристоры и другие наноустройства с переключаемым сопротивлением. По применимости: прежние схемы страдали от низкой точности и плохой масштабируемости, тогда как современные нашли инженерный путь к высокой точности и масштабированию, а также чётко описали границы, базовые операции и траекторию развития.

Ключевой момент нового подхода — переосмысление самого слова «аналоговый». В статье цитируется работа исследователя Кори Мэйли, опубликованная в 2024 году, где подчёркивается: суть аналогового не в непрерывности, а в аналогии, то есть в прямом отображении математической задачи на физическую систему без двоичной абстракции, когда ответ естественно следует из законов природы. В традиционных интегральных схемах этому мешало то, что единственными переменными в реальном времени были напряжение и ток, а сопротивление после изготовления оставалось фиксированным. Прорыв обеспечили мемристоры: их проводимость можно точно менять импульсами и она сохраняется без питания. Так в схеме появляется новый физический параметр — conductance, или проводимость. Один множитель программируется как проводимость устройства, второй подаётся как напряжение, и по закону Ома на выходе сразу получается произведение, а суммирование токов в общей линии реализует закон Кирхгофа. Целая строка операций умножения и сложения выполняется за один физический акт. С обратной связью через операционные усилители схема за наносекунды самостоятельно сходится к равновесию, напряжение в котором математически и есть решение уравнения.

Масштабирование раньше тоже упиралось в стену: в статье 2016 года в журнале JSSC описана КМОП-микросхема по техпроцессу 65 нанометров, вмещавшая всего четыре интегратора и восемь умножителей. Новые устройства снимают это ограничение: в крестовом массиве тысяча на тысячу элементов умещается миллион естественных умножителей, каждый из которых представляет собой нанопереход размером в десятки нанометров. Авторы сводят аналоговые вычисления к трём базовым операциям — решению дифференциальных уравнений, решению матричных уравнений и матрично-векторному умножению, которые связаны между собой и образуют единую вычислительную систему.

Отдельно Сунь Чжун подчёркивает: просто решать конкретное уравнение аналоговой схемой — мало интересного, смысл статьи в том, чтобы связать разрозненные технические решения в целостную систему и задать ясное направление. И это направление уже подкреплено практикой. Большинство команд в отрасли сосредоточены на ускорении матричного умножения для вывода ИИ, а «Анна Чжисинь» выбрала более сложный путь — решение матричных уравнений и обращение матриц. Именно на это приходится более восьмидесяти процентов вычислительных затрат в центрах обработки данных и научных расчётах, а обращение матриц с кубической сложностью — самое страшное для цифровых чипов: специализированного блока для него нет, и видеокарте приходится разбивать задачу на десятки или сотни матричных умножений. Схема аналоговых матричных вычислений с глобальной отрицательной обратной связью выдаёт решение за один шаг, менее чем за сто наносекунд, причём время отклика не зависит от размера матрицы.

Точность долго оставалась ахиллесовой пятой аналоговых схем: в 2019 году команда демонстрировала решение матричного уравнения за один шаг с относительной ошибкой около трёх процентов на массиве размером три на три. Проблему удалось закрыть только в октябре 2025 года, когда в Nature Electronics вышла работа с подходом битовых срезов: вместо ненадёжных непрерывных состояний используются восемь проверенных дискретных уровней проводимости, эквивалентных трём битам. Восемь таких срезов собираются в двадцатичетырёхбитную фиксированную точность, три итерации снижают ошибку до десяти в минус четвёртой, а затем и до десяти в минус седьмой степени, что соответствует точности FP32 у цифровых процессоров. Теоретического предела роста точности нет — можно добавлять срезы и итерации, а для больших задач разработан блочный алгоритм, уже опробованный на матрицах размером 512 на 512. Чтобы вписаться в цифровую инфраструктуру, команда придерживается принципа «матрицы — аналогу, логика — цифре»: вычисления идут в аналоговых ядрах, преобразование в цифру и обратно выполняют скромные шести-восьмибитные преобразователи, а трансцендентные функции отданы цифровой логике. В итоге при той же точности FP32 заявлена пропускная способность примерно в тысячу раз выше, чем у одного ядра Nvidia H100 и цифрового ASIC, энергоэффективность — примерно в сто раз выше, а производство возможно на зрелых техпроцессах 28 и 22 нанометра, что даёт примерно десятикратный выигрыш по стоимости.

Коммерциализация намечена по трём горизонтам: в течение года — демонстрация для управления движением и планирования в embodied AI, где микросекундные решения динамических уравнений сделают движения роботов плавными; в среднесрочной перспективе — обработка сигналов массового MIMO в связи шестого поколения, где уже получено безошибочное восстановление изображения и 256-позиционной квадратурной constellation-диаграммы за три итерации; через три-пять лет — масштабирование до тысяч параллельных аналоговых ядер для обучения больших моделей методом второго порядка, где каждый шаг требует обращения матрицы Гессе. И, пожалуй, самое примечательное: если в полупроводниках мир привык к сценарию, где Кремниевая долина прокладывает маршрут, а китайские команды догоняют, то здесь всё наоборот. Определение целому направлению даёт китайский учёный, его ранняя работа 2019 года в PNAS стала первой в этой области, а рекорд по точности был поставлен его командой; статья в Nature Electronics установила рекорд читаемости за девять лет существования журнала, а результат вошёл в десятку главных научных новостей Китая 2025 года вместе с DeepSeek. И теперь уже калифорнийские стартапы с миллиардными оценками строят свои технологии, отталкиваясь от его исследований.