在人工智能时代，我们的手机每次进行人脸识别或语音助手唤醒，背后都涉及海量数据在记忆体与处理器之间「来回搬运」。这种搬运不仅造成明显延迟，更让电池电量急速消耗，此乃困扰计算机界数十年的「冯‧诺依曼瓶颈」。

香港大学工程学院李灿教授领导的研究团队，近日在国际顶级学术期刊《自然—纳米技术》（Nature Nanotechnology）上发表一项突破性成果：他们利用比头发丝还细数万倍的二维材料二硫化钼（MoS2），研发出一种采用极简架构的新型芯片，即原子级「模拟存内搜索」芯片，能够直接在数据存储的位置完成搜索。其处理速度比标准CPU快了约一亿倍，并在多个数据集测试中获得了极高的准确率。团队表示，这项技术为下一代高效能、低功耗AI硬件提供了清晰的发展蓝图；至于应用场景，团队举例智能手机的面部识别技术，便可以直接在装置上瞬间完成，而毋须将私隐数据上传至云端。\大公报记者　苑向芹、盛德文

二维材料较发丝细数万倍

据了解，这款以比头发丝还细数万倍的二维材料打造的芯片，核心是一种名为「模拟内容寻址存储器」（CAM）的新型记忆体。传统的同类产品基于静态随机存取存储器（SRAM），每个存储单元需要多达16个晶体管，导致芯片体积庞大、功耗极高。港大团队的模拟CAM仅需两个晶体管即可构建一个单元，面积大幅缩小，还能直接处理更接近真实世界的连续模拟信号。

能耗低创纪录 「超光速」搜索

将二维材料连接到电路时，会遇到一道限制电子流动的「肖特基势垒」，它就像公路上的收费站，严重拖慢电子速度。港大团队使用半金属锑（Sb）作为接触电极，成功拆除了这道屏障，创造了一条畅通无阻、极低电阻的通道。由此产生的器件不仅速度极快，而且效率惊人：这款芯片的单次搜索耗能创下了低于0.1飞焦耳（fJ）能量的世界纪录，延迟仅为36皮秒（Picosecond，时间单位，等于一兆分之一秒）。这是什么概念？光在真空中一皮秒仅能走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。

团队进一步展示了该技术的进阶潜力。透过三维异质整合技术，他们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。

在执行机器学习分类任务时，新型模拟CAM的处理速度更比标准CPU快了约一亿倍，并在多个数据集测试中获得了极高的准确率。

李灿教授解释道：「从应用层面来看，搜索操作具有极大价值。作为大语言模型（LLMs）基础的『注意力机制』，本质上就是一个搜索过程—从压缩的知识库中提取资讯。我们正在探索如何利用这种高性能硬件，来实现大型AI模型的搜索机制。」他还特别提到这项技术对隐私保护的意义：「例如智能手机的面部识别技术，可以直接在装置上瞬间完成，而毋须将私隐数据上传至云端。」

至于从科研到落地的进程，李灿教授坦言，大规模商业化仍需克服封装方面的工程挑战，但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。

为下一代AI硬件提供发展蓝图

据悉，这项突破是团队通力合作的成果，论文共同第一作者高国云博士主导了器件及阵列的制造，闻博先生则负责阵列测量。

话你知/「冯‧诺依曼瓶颈」是什么？

冯‧诺依曼瓶颈是指电脑中央处理器（CPU）速度与记忆体资料传输速度不符的现象，即CPU的运算速度远快于记忆体的资料传输速度，导致处理器大部分时间都在空等资料，浪费运算能力。