核心观点 - Normal Computing成功流片全球首款热力学计算芯片CN101 专为AI/HPC数据中心设计 利用热力学和物理原理实现远超传统芯片的计算效率 在特定AI任务中能耗效率提升高达1000倍 [2][4][5] - 热力学计算利用噪声和随机性执行计算 适用于非确定性结果的应用场景（如AI图像生成和训练任务） 与传统确定性计算形成鲜明对比 [2][4] - 公司计划通过CN产品线路线图（2026年CN201和2028年CN301）扩展至更复杂的AI模型 包括高分辨率扩散模型和视频传播模型 [6][7] 技术原理与架构 - 芯片基于热力学和概率计算原理 组件始于半随机状态 通过输入程序并读取平衡结果作为解决方案 专用于处理随机性和不确定性的算法 [2][4] - 利用自然动力学（如波动、耗散和随机性）执行计算 通过专有的格点随机游走（LRW）采样系统加速概率计算 适用于线性代数、矩阵运算和贝叶斯推理 [4][5] - 架构设计目标是为AI训练服务器提供多类型计算单元（CPU/GPU/热力学ASIC/量子芯片） 确保每个问题获得最高效解决方案 [2][4] 性能与应用 - CN101针对AI和科学计算关键任务优化 包括大规模线性系统求解和概率计算 在相同能耗预算下可最大化AI计算输出 并实现低延迟高吞吐推理 [4][5] - 热力学计算旨在解决当前AI能效瓶颈 公司称当前AI能力在现有能源架构下发展曲线趋于平缓 而该技术可支持未来几十年训练规模扩大一万倍的需求 [6] - 芯片已进入特性表征和基准测试阶段 结果将指导后续产品开发（CN201和CN301） 以实现中等规模GenAI任务最先进性能及大规模任务数量级提升 [6][7] 行业意义与发展 - 热力学计算代表替代计算技术兴起 以应对硅计算最小尺寸限制和全球AI数据中心需求增长 与硅光子学和量子计算并列前沿方向 [2][6] - 首次流片由小规模工程团队完成 被视为历史性里程碑 可能成为新芯片技术突破浪潮的重要组成部分 [2][6]