财π新闻 人工智能与大数据时代，传统计算机硬件的冯·诺依曼瓶颈日益凸显，内存与处理器之间海量数据来回传输，既带来严重延迟，也大幅消耗终端设备电量，成为AI算力进一步提升的核心阻碍。香港大学工程学院研究团队近期研发出一款原子级模拟存内搜索芯片，以极简架构为突破点，直接在数据存储位置完成复杂搜索操作，为AI算力极限重塑提供了全新路径。

这款新型芯片采用原子级超薄二硫化钼闪存构建模拟内容寻址存储器阵列，仅需2个晶体管就能搭建一个存储单元，相比传统数字内容寻址存储器每个单元需要16个晶体管的设计，不仅大幅缩小了芯片体积，还能直接处理贴近真实世界的连续模拟信号，信息存储密度得到显著提升。为解决二维材料连接电路时的肖特基势垒难题，团队采用半金属锑作为接触电极，打造出极低电阻的电子传输通道，让器件实现超高速运行。实测数据显示，该芯片单次搜索能耗低于0.1飞焦耳，延迟仅为36皮秒，搜索完成时光甚至还没来得及跨越晶片本身，在机器学习分类任务中，其汉明距离计算速度比标准CPU快约1亿倍。

目前团队还验证了该技术的进阶潜力，通过三维异质整合将不同类型的二维材料垂直堆叠，可进一步将单元所需面积减半，省去外围反相器电路，持续压低运行功耗。相关研究成果已发表于国际顶级学术期刊，未来有望在大语言模型注意力机制加速、AI本地推理、高密度知识检索等场景落地，为高能效AI硬件的规模化发展提供全新技术蓝图。