全球首款热力学计算芯片成功流片，能效可提升1000倍

8月18日消息，美国芯片设计企业Normal Computing 近日宣布，全球首款热力学计算芯片“CN101”成功完成流片（Tape-out）。 这是一款专为 AI 与高性能计算（HPC）数据中心设计的 ASIC，基于Normal Computing的 Carnot 架构，旨在通过利用物理系统的内在动力学并在目标 AI 和科学计算工作负载上实现高达1000倍的能耗效率来加速计算任务。

Normal Computing表示，传统的是CPU 和 GPU 需要消耗大量能量来强制执行确定性逻辑计算，而“CN101”这样的热力学芯片则是更接近量子计算与概率计算领域，基于物理ASIC利用波动、噪声和随机性等自然动态的随机性来加速AI推理。通过在固定的数据中心能源预算内实现更多的人工智能，CN101 最大限度地提高了总计算输出，并将其与推理的低延迟、高吞吐量性能相结合。

《IEEE Spectrum》解释称，热力学芯片元件会先处于半随机状态，接着将程序输入其中，当各组件之间达到平衡（equilibrium）后，系统会读取该平衡状态作为计算结果。 这种计算方式仅适用涉及非确定性结果的应用，因此不会用来执行网页浏览器等传统应用，但对于 AI 图像生成等任务及其他训练工作，却能发挥极大优势。

据介绍，CN101 专门针对对人工智能和科学计算至关重要的计算任务，特别是以下两个领域表现出显着的加速：

1、线性代数和矩阵运算：高效求解工程、科学计算和优化任务基础的大规模线性系统。

2、使用晶格随机游走 （LRW） 进行随机采样：实施 Normal 专有的基于 LRW 的采样，显着加速科学模拟和贝叶斯推理方法所必需的概率计算。

Normal Computing称，CN101 是朝着实现大规模热力学计算商业化愿景迈出的基础一步，可显着提高每瓦、每机架和每美元的 AI 性能，从而在现有能源预算内最大限度地提高 AI 输出。

Normal Computing 首席执行官Faris Sbahi表示：“近几个月来，我们看到人工智能能力正在接近当今的能源预算和架构的趋于平坦的曲线，尽管我们计划在未来5年内将训练运行再扩大 10,000 倍。热力学计算有可能通过利用人工智能算法的物理实现（包括后自回归架构）来定义未来几十年的缩放定律。实现第一个芯片成功是这种新兴范式的历史性时刻——由一个极小的工程团队执行。 ”

Normal Computing 硅工程主管Zach Belateche也表示：“CN101 代表了我们热力学架构的首次硅演示，它利用随机性、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上的行为奠定基础，并为扩大我们的架构以支持最先进的扩散模型制定一条清晰的道路。”

随着CN101的流片，Normal Computing 将直接过渡到表征和基准测试。研究结果将指导即将推出的 CN201 和 CN301 芯片的开发，扩展 Normal 的热力学计算愿景，以扩展 AI 工作负载。

根据计划，Normal Computing将会在2026年推出CN201，主要面向高分辨率扩散模型和扩展的 AI 工作负载；2027 年底或2028年初将推出CN301，将会进一步扩展到高级视频扩散模型。

“我们将使用随机硬件扩展扩散模型的愿景始于今年在 CN101 上展示关键应用，然后明年在 CN201 上实现中型 GenAI 任务的最先进性能，最后在两年后使用 CN301 实现大规模 GenAI 的多个数量级性能提升。”Zach Belateche说道。

根据官网资料显示，Normal Computing 由来自 Google Brain、Google X 和 Palantir 的资深人士于 2022 年创立，业务遍及纽约、旧金山、伦敦和哥本哈根。传统计算致力于解决传统计算基础设施的基本限制。Normal Computing 团队为物理世界构建新的基础软件和硬件——通过 AI 软件与半导体行业合作，以零缺陷加速复杂的硬件工程，降低成本，并开发热力学计算硬件，为下一代节能、可扩展的 AI 基础设施提供动力。

编辑：芯智讯-浪客剑