当前，人工智能应用的快速发展对计算系统提出了更高要求。从社交平台的内容推荐到电商网站的商品展示，这些日常可见的智能服务背后，都依赖计算系统海量数据中进行高速运算。然而，传统数字芯片在处理此类复杂任务时，往往受限于速度与能耗的双重压力，成为实时智能应用更提升的关键瓶颈。问题的根源在于传统计算架构本身的局限。非负矩阵分解是机器学习中的核心任务之一，本质上是从海量且复杂的用户行为数据、图像像素信息等中提取潜在模式与特征，广泛应用于图像分析、信息聚类、个性化推荐等场景。但其计算过程需要同步求解两个矩阵，计算逻辑复杂。传统数字芯片以串行计算为主，难以高效支撑这类需求，容易成为实时智能系统的“卡点”。为突破该瓶颈，北京大学孙仲研究员团队将研究重点转向模拟计算。团队研制出基于阻变存储器的非负矩阵分解模拟计算求解器，核心思路是针对特定且计算量巨大的任务设计专用硬件，而不是继续依赖通用计算架构。通过电路设计与算法协同优化，研究团队在阻变存储器阵列上构建了紧凑的模拟电路，并提出电导补偿技术，使核心计算步骤实现“一步求解”，从而在芯片面积与能耗上获得明显改善。实验结果验证了该方案的可行性与效果。研究团队实验室搭建原型系统并完成多组测试：系统能够对彩色图像进行高质量分解，信噪比损失很小；在电影推荐数据集训练任务中，精度也与数字芯片接近。系统级评估显示，在网飞规模数据集的推荐系统训练任务中，该模拟求解器的计算速度较先进数字芯片提升约12倍，能效比提升超过228倍。对应的成果已发表于国际期刊《自然·通讯》。这项工作不仅是一次器件与电路层面的改进，也为非负矩阵分解等约束优化问题的实时求解提供了新的技术路径，展示了模拟计算在处理复杂现实数据上的潜力。未来，这类高能效专用芯片有望提升个性化推荐的实时响应能力，并为生成式人工智能训练提供更节能、更快速的算力支持。从更宏观的角度看，该成果拓展了高效计算架构的应用边界，也为人工智能时代的算力与能耗挑战提供了新的思路。随着后续研究推进及产业化加速，此类高能效专用计算架构有望在更多关键领域落地应用，为下一代智能计算技术竞争提供支撑。
在数字化与智能化加速融合的背景下，算力已成为推动科技发展的关键基础。北京大学团队的该成果，为缓解算力瓶颈提供了新的方向，也反映了我国在前沿技术领域的自主创新能力。下一步，如何把实验室成果转化为可规模化应用的产品——并在更多场景中验证价值——仍有待业界持续关注与探索。