全球首款热力学计算芯片，正式流片

公众号记得加星标，第一时间看推送不会错过。

来源：内容 编译自tomshardware 。

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有所不同，它利用热力学（和其他物理原理）来达到传统芯片无法比拟的计算效率。

热力学芯片与传统计算截然不同 - 在实践中更接近量子计算和概率计算的领域。噪声是标准电子产品的大敌，而热力学和概率芯片则积极利用噪声来解决问题。

“我们专注于能够利用噪声、随机性和不确定性的算法，”Normal Computing 的硅工程主管 Zachary Belateche 在最近接受 IEEE Spectrum 采访时表示。“这个算法空间非常巨大，涵盖从科学计算到 AI 再到线性代数的一切。”

正如 IEEE Spectrum 所解释的那样，热力学芯片的组件始于半随机状态。将程序输入到组件中，一旦这些部件之间达到平衡，便将平衡结果读出作为解决方案。这种计算方式仅适用于涉及非确定性结果的应用程序；热力学芯片不会用于访问网络浏览器，但各种人工智能任务（例如人工智能图像生成和其他训练任务）都依赖于这种硬件。Normal

最新流片的芯片 CN101 专门用于高效求解线性代数和矩阵运算，并利用 Normal 专用的采样系统来解决其他概率计算。这些任务专门针对现代数据中心的人工智能训练需求，在这些工作负载下可实现高达 1000 倍的能耗效率。Normal对热力学计算及其基于物理的 ASIC（例如 CN101）的目标是，让人工智能训练服务器包含所有必要的部件，从而为每个问题提供最高效的解决方案：CPU、GPU、热力学 ASIC，甚至概率和量子芯片，以便每个问题都能找到最接近的解决方案。 Normal 的 CN 产品线路线图包括 2026 年和 2028 年的发布，以扩展到更深层次、更常用的照片和视频传播模型。

随着硅计算不断向其不可避免的最小尺寸迈进——以及全球 AI 数据中心需求的不断增长——一系列替代计算技术正在兴起以满足需求。硅光子学目前是该领域最热门的技术发展之一，而像量子这一切看起来仍像空中楼阁。Normal 的热力学芯片或许很快就会成为新芯片技术突破浪潮中的重要组成部分。

全球首款热力学计算芯片

Normal Computing 宣布成功流片全球首款热力学计算芯片CN101。这一工程里程碑标志着 Normal 卡诺架构验证的关键一步。该架构旨在通过利用物理系统的固有动力学来加速计算任务，并在特定 AI 和科学计算工作负载上实现高达 1000 倍的能耗效率提升。通过在固定数据中心能耗预算内显著提升 AI 性能，CN101 可最大限度地提高总计算输出，并将其与低延迟、高吞吐量的生产推理性能相结合。

Normal 芯片是基于物理的 ASIC，它利用波动、耗散和随机性等自然动力学，实现远超传统芯片的计算效率。CPU 和 GPU 执行确定性逻辑会消耗大量能量，而 Normal 芯片则利用随机性来加速 AI 推理。IEEE Spectrum 重点介绍了这种方法，强调其与传统方法相比，有潜力显著提升计算效率

CN101 专门针对对人工智能和科学计算至关重要的计算任务，在以下方面表现出显著的加速：

线性代数和矩阵运算：

有效解决工程、科学计算和优化任务的基础大规模线性系统。

具有格点随机游走 (LRW) 的随机采样：

实现 Normal 专有的基于 LRW 的采样，显著加快科学模拟和贝叶斯推理方法所必需的概率计算。

CN101 是 Normal Computing 实现大规模商业化热力学计算愿景的基础性一步，可显著提高每瓦、每机架和每美元的 AI 性能，并在现有能源预算范围内最大限度地提高 AI 产出。

即将实现的路线图里程碑包括：

2026 年：CN201——高分辨率扩散模型和扩展的 AI 工作负载。

2027 年末 / 2028 年初：CN301 -扩展到高级视频传播模型。

近几个月来，我们看到，即使我们计划在未来五年内将训练运行规模再扩大一万倍，人工智能能力在当今能源预算和架构下的发展曲线也趋于平缓。热力学计算有望通过利用人工智能算法（包括后自回归架构）的物理实现来定义未来几十年的尺度规律。对于这一新兴范式而言，首次流片成功是一个历史性时刻——而这仅仅是由一个规模极小的工程团队完成的。—— Normal Computing 首席执行官Faris Sbahi

随着 CN101 的流片，常规计算将直接进入特性描述和基准测试阶段。研究结果将指导即将推出的 CN201 和 CN301 芯片的开发，以扩展 AI 工作负载。

“我们利用随机硬件扩展扩散模型的愿景是，首先在今年的 CN101 上展示关键应用，然后明年利用 CN201 在中等规模 GenAI 任务上实现最先进的性能，最后在两年后利用 CN301 在大规模 GenAI 任务上实现多个数量级的性能提升。” – Patrick Coles，Normal Computing 首席科学家

“CN101 代表了我们热力学架构的首次硅片演示，该架构利用随机性、亚稳态和噪声来执行采样任务。通过表征 CN101，我们将能够为理解这些随机过程在真实硅片上的行为奠定基础，并为扩展我们的架构以支持最先进的扩散模型制定清晰的路线图。” —— Normal Computing 硅片工程主管Zach Belateche。

*免责声明：本文由作者原创。文章内容系作者个人观点，半导体行业观察转载仅为了传达一种不同的观点，不代表半导体行业观察对该观点赞同或支持，如果有任何异议，欢迎联系半导体行业观察。

今天是《半导体行业观察》为您分享的第4125期内容，欢迎关注。

加星标第一时间看推送，小号防走丢

求推荐