全球首款热力学计算芯片，正式流片,国产热力学计算软件

本文由半导体产业纵横（ID：ICVIEWS）编译自tomshardware

CN101 放弃确定性逻辑，以更低的能源预算训练更多人工智能。

近日，Normal Computing 宣布成功流片全球首款热力学计算芯片 CN101。该 ASIC 专为 AI/HPC 数据中心设计，与传统的硅计算方法大相径庭，它借助热力学（以及其他物理原理），达成了传统芯片难以企及的计算效率。这一成果在半导体和计算领域激起了千层浪，有望为未来的人工智能和高性能计算带来革命性的变化。

热力学芯片代表着与传统计算截然不同的范式，在实践中，其更趋近于量子计算和概率计算领域。一直以来，噪声都是标准电子产品避之不及的大敌，因为它会干扰信号传输，导致计算出现错误。但在热力学和概率芯片的世界里，噪声却被“变废为宝”，成为解决问题的得力助手。正如 Normal Computing 的硅工程主管 Zachary Belateche 在接受 IEEE Spectrum 采访时所阐述的：“我们聚焦于能够利用噪声、随机性和不确定性的算法。事实证明，这类算法的应用范围极为广泛，从科学计算、人工智能到线性代数，几乎无所不包。”

具体而言，热力学芯片的组件起始于半随机状态。当程序输入到组件中后，随着时间推移，这些部件之间会逐渐达到平衡状态，而最终读出的平衡结果，便是问题的解决方案。不过，这种独特的计算方式并非适用于所有场景，它仅对涉及非确定性结果的应用程序有效。比如，我们日常使用的网络浏览器，就无法借助热力学芯片来运行，因为其工作机制依赖于确定性的计算结果。但在各类人工智能任务中，热力学芯片却能大显身手，像人工智能图像生成，需要通过随机生成初始图像元素，再逐步优化以生成逼真图像；还有其他训练任务，常常要处理大量不确定性数据来调整模型参数，这些工作都高度依赖热力学芯片这种基于不确定性的硬件。

此次最新流片的CN101 芯片，在功能上有着明确的针对性，它专门用于高效求解线性代数和矩阵运算，同时利用 Normal 专用的采样系统处理其他概率计算。这些任务与现代数据中心的人工智能训练需求完美契合。在实际运行中，相较于传统芯片，CN101 在这些工作负载下的能耗效率可提升高达 1000 倍。这意味着，在处理相同规模的人工智能训练任务时，CN101 芯片能够以极低的能耗运行，大大降低了数据中心的运营成本，同时减少了能源消耗对环境的影响。

Normal 对热力学计算及其基于物理的 ASIC（如 CN101）有着更为宏大的目标规划。他们期望人工智能训练服务器能够集成所有必要部件，构建一个 “超级计算工具箱”，其中既包含传统的 CPU、GPU，也有热力学 ASIC，甚至还涵盖概率和量子芯片。如此一来，面对不同类型的计算问题，服务器都能精准匹配最适宜的计算芯片，找到最接近理想状态的解决方案。

从产品布局来看，Normal 的 CN 产品线路线图已经规划到了未来数年，其中包括 2026 年和 2028 年的新品发布计划。后续产品将聚焦于扩展到更深层次、更常用的照片和视频传播模型。以 2026 年计划推出的产品为例，有望在处理高分辨率图像、复杂视频特效生成等方面，进一步发挥热力学计算的优势，为相关领域的人工智能应用提供更强大的算力支持。

当前，硅计算正不断朝着其物理极限的最小尺寸逼近。随着全球AI 数据中心需求如火箭般迅猛增长，传统硅芯片在算力提升和能耗控制上愈发捉襟见肘。在这样的大背景下，一系列替代计算技术如雨后春笋般纷纷涌现，试图填补算力缺口，满足市场对高效计算的渴望。

在众多新兴技术中，硅光子学凭借其在数据传输速度和能耗方面的优势，成为当下该领域最炙手可热的技术发展方向之一。通过利用光子代替电子进行数据传输，硅光子学有望大幅提升芯片间的数据通信速率，降低传输过程中的能耗。而量子计算，则因其基于量子力学原理的独特计算方式，在处理某些特定复杂问题时展现出远超传统计算的潜力，被视为未来计算领域的一颗璀璨明星。不过，量子计算目前仍面临诸多技术难题，如量子比特的稳定性、量子纠错等，距离大规模商业化应用似乎仍像空中楼阁般遥不可及。