港大研制出原子级模拟存内搜索芯片，处理速度比CPU快1亿倍

在人工智能与大数据时代，传统计算机硬件存在一个根本性瓶颈——处理器和内存之间需要频繁来回搬运数据，既耗时又耗电，业界称之为"冯·诺依曼瓶颈"。近日，香港大学研发的一款芯片，从根本上绕开了这一限制。

8月4日，香港大学工程学院李灿教授领导的研究团队公布了一项突破性成果：成功研制出一款原子级厚度的"模拟存内搜索"芯片，在处理特定计算任务时，速度比标准CPU快约1亿倍。该成果已发表在国际顶级学术期刊《自然·纳米技术》（Nature Nanotechnology）上。

香港大学工程学院李灿教授领导的研究团队。（图自港大）

极简架构，但实测数据震撼

这款芯片采用"存算一体"架构，可直接在数据存储位置完成复杂搜索，无需将数据搬运到处理器再进行运算。团队利用比头发丝还细数万倍的二维二硫化钼（MoS₂）闪存，研发出新型模拟内容寻址存储器（CAM），可在单个步骤中同时将输入的搜索数据与所有存储数据进行比对，实现瞬间完成搜索并返回结果。

传统基于静态随机存取存储器（SRAM）的CAM单元需要多达16个晶体管，导致芯片体积庞大、功耗极高。港大团队设计的极简架构模拟CAM仅需2个晶体管即可构建一个单元，不仅大幅缩小芯片面积，还能直接处理更接近真实世界的连续模拟信号，提升信息存储密度。

为克服将二维材料连接到电路时限制电子流动的"肖特基势垒"，研究团队使用半金属锑（Sb）作为接触电极，成功创造了一条畅通无阻、极低电阻的通道。

实测数据令人震撼。这款芯片的延迟仅为36皮秒（Picosecond，即一万亿分之一秒），单次搜索耗能低于0.1飞焦耳（fJ），创下世界纪录。

36皮秒是什么概念？光在真空中1皮秒仅能走0.3毫米，这意味着搜索完成时，光甚至还没来得及跨越芯片本身。这种"超光速"级别的响应速度，为实时AI推理、边缘计算等场景提供了全新的可能性。

在执行机器学习分类任务时，新型模拟CAM的处理速度比标准CPU快了约1亿倍，并在多个数据集测试中获得了极高的准确率。

李灿教授表示，作为大语言模型基础的"注意力机制"，本质上是从压缩的知识库中提取信息的搜索过程。目前团队正在探索如何利用高性能硬件，来实现大型AI模型的搜索机制。

从实验室到产业化

在应用场景方面，团队举例智能手机的面部识别技术，可以直接在设备上瞬间完成，而无需将隐私数据上传至云端。这种"端侧智能"的实现，既保护了用户隐私，又大幅降低了延迟和能耗。

尽管技术突破令人振奋，李灿教授坦言，大规模商业化生产新型芯片仍需克服封装方面的工程挑战。不过，这项研究已成功验证了该原理，为下一代高效能、低功耗AI硬件提供了清晰的发展蓝图。

团队进一步展示了该技术的潜力：通过三维异质整合技术，在单个存储单元内垂直堆叠了不同类型的二维材料，使所需面积减半，功耗进一步降低。

香港在"存算一体"版图中的角色

"存算一体"正处于从验证到落地的关键阶段。香港在"存算一体"的全球版图中，扮演着重要的基础研究和关键技术突破者的角色，尤其在忆阻器应用和模拟计算领域特色鲜明。香港理工大学、香港大学等高校团队都有相关研究。

有专家认为，"存算一体"技术正处在从实验室走向产业化的爆发前夜，全球竞争激烈。这项技术被视为计算架构的"范式革命"，影响意义深远。香港在基础研究和特定技术点上表现突出，而这项技术本身预示着新软硬件生态的指数级提升。