如果您希望可以时常见面，欢迎标星收藏哦~ 不断增长的人工智能（AI）需求暴露出一个严峻的"计算危机"，其特点是能源消耗不可持 续、训练成本过高以及传统互补式金属氧化物半导体（CMOS）微缩技术接近极限。「基于 物理的专用集成电路（ASIC）」提供了一种变革性的范式，它直接利用固有的物理动力学 进行计算，而不是耗费资源来强制实现理想化的数字抽象。 传统的扩展正面临多方面的极限： 1.AI的能源需求正在不可持续地增加，如图1(a)所示。数据中心是AI操作的核心，2023年消耗了 大约200太瓦时（TWh）的电力。预测表明，到2026年，这一数字可能会增至260太瓦时，占美 国总电力需求的约6%。 2. 计算成本急剧上升，集中化了访问。前沿AI模型的发展使得训练成本大幅增加，预计到2027 年，最大规模的训练运行成本将超过10亿美元。这与图1(b)所示的供需差距自然相关。 3. 随着晶体管尺寸缩小到纳米级，长期以来的扩展定律——摩尔定律和丹纳德定律——正在达到 其极限。诸如随机性、漏电流和可变性等微型化效应使得在这些尺度下实现可靠操作变得困难。 通过放宽传统ASIC所需的约束，例如强制无状态性、单向性、确定性和同步 ...