二维材料赋能类脑计算：开启低功耗AI新纪元
导读随着 AI 算力需求激增，传统计算架构的能耗瓶颈愈发严峻。类脑神经形态计算成为低功耗智能计算的关键。本文综述二维材料在神经形态器件的最新进展，解析多种材料的独特优势与功能，梳理材料、器件、算法协同设计体系，总结技术难题，并展望其在边缘AI、脑机接口、智能视觉等前沿领域的应用前景。随着人工智能模型日益复杂，算力需求持续攀升，能源消耗成为亟待解决的难题。传统冯·诺依曼架构将存储与计算分离，处理大规模数据时需频繁传输，易导致额外延迟和能耗。相比之下，人脑能以低功耗完成高度并行、动态、自适应的信息处理。受此启
瑞芯微RK3576性能全方位实测,AI运算/抗静电/温变/能耗/RT Linux实时响应深度评估
瑞芯微RK3576 实力究竟几何？实测为你揭晓！依托触觉智能RK3576核心板（SOM7609邮票孔封装系列），配合专用开发板Purple Pi OH2，开展多角度实战与压力测试，水平一探便知。AI运算能力：AI推理效率NPU算力实测，清晰映射智能应用性能抗静电干扰评估： 严苛干扰考验，检测复杂工业场景下的稳定可靠性 温变测试：极端温差条件，验证长时持续运行水准功耗评估：各工况下功耗体现，精确衡量能源效率RT Linux实时响应测试：多核异构体系下，联合RT Linux内核，实时运转实际状态。抛开繁复参数
英伟达CPO交换机开启大规模生产
8月14日，英伟达透露Spectrum-X以太网光子器件已正式迈入量产阶段，旨在助力面向AI工厂的下一代大规模扩展网络基础设施。 英伟达指出，这款产品是专为吉瓦级AI工厂网络需求打造的，成功将激光器数量缩减至四分之一，功耗下降五成，平均故障间隔时间（MTBI）延长十倍。制造、封装及组装环节则由台积电、矽品、Lumentum、天孚通信(267.710, 10.55, 4.10%)、鸿海等供应链合作伙伴共同完成。 编辑：孙同怀 新浪财经声明：本文转载自合作媒体，新浪财经发布此文旨在传递更多资讯，文章内容仅供参
类脑智能能否突破物理AI续航瓶颈？AI落地现实面临新挑战
近年来，人工智能领域的竞争焦点主要集中在模型性能层面。参数量、推理效率、基准测试得分，已成为评价AI能力的关键指标。然而当AI走出实验室，被应用于汽车、无人机、机器人和工业装置时，一个更为现实的问题浮现出来：模型能力出众，为何却难以在实际场景中持续运转？许多大模型在服务器环境下表现优异，但一旦部署到真实终端，就会遭遇全新难题。终端设备空间受限，无法承载庞大的算力硬件；能源供应有限，无法长时间维持高功耗运行；网络连接也不稳定，无法始终依赖云端完成推理。因此，未来物理AI的较量，不能仅关注模型的运行速度，更要
物理AI：时序为先，智能为后
（作者：Mark Lippett，XMOS首席执行官）智能耳机能抑制列车噪声，同时清晰保留对话人声；配送机器人在人流中穿行，当行人突然闯入时，在距离半米处平稳刹车；无人机检测到阵风后，仅用三毫秒调整姿态，稳定悬停。以上案例均属于物理AI的成果。但其本质并不单纯依赖AI模型实现。量产产品与演示样机的差距不在于电路板智能本身。关键在于一套硬性约束：智能运算的输出必须次次准时到达物理世界，且全程控制在固定功耗预算内。时序是物理AI的核心承载约束——一旦时序指标失守，再高的模型精度也无法弥补。简而言之，物理AI首
类脑智能成AI破局关键：院士与业界共议下一代物理世界AI
7月19日，WAIC 2026｜香港科技大学·国际AI产业创新生态论坛在上海举行。作为世界人工智能大会（WAIC）期间的重要高端论坛之一，本次论坛汇聚了海内外人工智能领域多位顶尖学者，院士云集。美国国家工程院外籍院士、香港科技大学校董会主席沈向洋，中国工程院外籍院士、香港科技大学首席副校长郭毅可，中国工程院院士、上海交大瑞金医院院长宁光，中国工程院院士、北京清华长庚医院院长董家鸿等多位院士围绕AI技术演进等方向发表分享。作为具身智能企业代表，智平方创始人兼CEO郭彦东博士亦受邀出席论坛，与各位院士同台分享
他山科技发布全球首款动态触觉芯片
新浪科技讯 7月17日晚间消息，7月17日至20日，2026世界人工智能大会暨人工智能全球治理高级别会议在上海举行。 现场，他山科技携全球首款动态触觉感知芯片“绿宝石E10A”等三大首发新品亮相。 据悉，绿宝石E10A芯片是全球首款动态触觉感知芯片，也是第一款通过自研ASC（模拟脉冲转换模块）将触觉信号直接转为脉冲信号的芯片，实现微秒级时间分辨率与超低功耗运行。 具体参数上，绿宝石E10A芯片待机电流仅0.9μA，时间分辨率突破至2.9μs，测量频率超300kHz，相比传统方案提升上百倍。 同时，其赋予机
存储芯片新突破：中国团队室温实现单电子存储
作者 | 第一财经金叶子 随着人工智能技术的迅猛演进，市场对计算能力的需求日益激增。作为算力构建的基石，存储芯片面临的数据交互延迟与功耗难题，已成为限制算力飞跃的关键瓶颈，而中国科学家的最新发现有望打破这一僵局。 近日，复旦大学周鹏与刘春森领衔的团队在室温条件下单电子非易失性量子存储技术方面取得重大进展。该成果不仅突破了量子效应仅在极低温下才能稳定观测的物理壁垒，更达成了“单个电子承载一个信息比特”的物理极限，使存储功耗呈几何级数下降。 这项“换道超车”的原创性成果于北京时间7月17日凌晨2点登上了《科学
小型AI模型全球崛起：网络算力薄弱地区的新机遇
点击蓝字 关注我们SUBSCRIBEto USMarcelo Rovai2019年某个清晨，Adebayo Alonge在开普敦的一家酒店房间内，正准备展示其初创公司推出的人工智能解决方案，旨在应对非洲医疗领域的一大严峻挑战：假药泛滥。此类假药每年导致非洲大陆数千人死亡。这款名为RxScanner的手持光谱仪利用红外光扫描药片，将药品的分子图谱上传至内置药物数据库的AI模型。仅需数秒，AI便能依据分子特征判断药品真伪，若是假药则立即发出警报。当时，该设备已在包括加纳、肯尼亚、缅甸以及Alonge祖国尼日利
AI 算力飙升，MLCC 供应告急
AI 算力飙升，MLCC 供应告急 AI 服务器性能越强，电源系统越不可掉以轻心。 GPU 功耗攀升后，难题不仅在于总耗电量增加，更涉及瞬时电流、电压波动及噪声控制。一旦供电不稳，芯片性能与长期稳定性均会受损。 MLCC 正是解决这一问题的关键。它紧邻芯片承担去耦与滤波任务，核心指标并非概念炒作，而是高容量、高耐压、低 ESR、小型化及高可靠性。 因此，该领域后续需重点关注客户认证、交付周期、良品率及高端规格落地。AI 服务器功耗越高，电源周边的微小元件反而越不容有失。 AI 服务器性能越强，小型电容越不
等效3nm工艺！华为Mate90将首发新麒麟芯片
快科技7月6日讯，依据当前公开的进度信息，今年秋季基于自研韬定律技术路线研发的全新麒麟芯片，很快就会正式与消费者见面。 据国内科技圈消息人士透露，计划于今年秋季发布的华为Mate90系列，首发机型将搭载基于韬定律升级的全新麒麟芯片，从而达成整机性能的跨代飞跃。 今年5月，华为正式发布了引领后摩尔时代半导体产业发展的底层技术准则——韬（τ）定律，该路线的核心宗旨是系统性降低芯片运行的时间常数τ。 借助逻辑折叠等完全自主的创新技术，不断压缩芯片内部的信号传输延时，进而持续提高单位面积的晶体管密度，突破传统制程
M150UB边缘智能网关：社交控物，AI直连工业现场
EDGE COMPUTING GATEWAYM150UB边缘计算智能网关社交即控制•技能自生长•随处可部署一台专为恶劣现场设计的边缘计算智能网关。内置 AI Agent 智能体引擎，搭载 1TOPS NPU 与四核处理器，整机仅 4W 功耗。让复杂的人工智能摆脱屏幕，与实体工业现场深度融合。2.0GHz处理器主频1TOPSAI 算力 (INT8)4W整机超低功耗350g整机净重-20~60℃工业宽温运行概 · OVERVIEW电脑擅长办公，却无法走进车间、站在基站旁、或嵌入配电柜中。M150UB 正是为此
国产声学芯突破：知微ZW421A3729T-N01赋能端侧AI语音
59dBA高信噪比（SNR）同尺寸模拟硅麦领先水平，复杂环境精准提取人声，显著降低AI降噪算力负担，低功耗设备仍可实现高唤醒精度。120μA超低工作电流满足AI设备“全天候监听”需求，TWS耳机、随身相机、便携录音设备续航无忧，契合持续语音交互设计。130dBSPL高声压过载点AOP强音环境无削波失真，适用于户外拍摄、车载语音、穿戴设备，AI拾音稳定可靠。±1dB灵敏度精密公差多麦克风阵列空间音频与波束成形一致性优异，量产无需额外声学校准，显著降低整机调试成本。原生强RF抗干扰 + 75dB PSRR在5
AI下半场：材料才是核心竞争力
看完英特尔CEO陈立武的一段访谈，未来真正的AI，不再只是回答问题，而是像智能员工一样主动工作——调用工具、访问数据库、管理任务、协同多个模型达成目标。这一过程中，大量工作并非由GPU执行，而是靠CPU统筹调度。这意味着未来不是CPU取代GPU，或反之，而是二者协同构建完整系统：GPU算力，CPU组织。AI越强大，对系统整体的要求也越高。 更值得关注的是封装技术。 过去半导体行业痴迷于更先进制程，但当晶体管逼近物理极限，产业开始转向另一路径：将不同芯片整合为一个系统。 从前比拼的是谁做出最强单芯片，未来或
AI 强到令人畏惧？Transformer 遇瓶颈，下一代架构路在何方
6 月 11 日，计算神经科学领域的博士生 Ido Aizenbud 在 X 平台发起探讨：单个神经元究竟具备多大的计算潜力？他指出，团队利用名为 TwinProp 的创新手段，成功让一个皮层神经元独立完成了猫狗图像分类、语音词汇识别以及 10 比特奇偶校验等任务，而这些过往常被视为必须依赖整体网络才能解决的问题。当前我们构建的 AI 系统好似由“简易开关”堆砌而成，相比之下，大自然运用的则是“微型超级计算机”。长久以来，该领域始终欠缺一套系统化的手段来深入探究：精细化的神经元模型到底能执行何种计算。此类