2025 年人工智能与先进计算融合发展路径研究蓝皮书总结

一、AI 驱动计算系统范式变革

二、六大前沿融合技术路径

1. 量超智融合：量子计算与超算、智算协同，量子负责特定加速任务，经典计算保障通用性。分三阶段发展：NISQ 阶段（0-5 年）开发混合算法，在化学等场景突破；早期容错阶段（5-15 年）研发数据转换方案；完全容错阶段（15 年 +）建量子数据库。需解决量子 – 经典算力分配、数据互通难题，通过硬件革新与算法优化突破瓶颈。
2. 光计算：以光为载体，具高速、大带宽、低能耗优势，分干涉型（实时可调，适用于矩阵乘法）与衍射型（近零功耗，适用于图像分类）。可提升矩阵运算能效 2-3 个数量级，但面临光电器件集成度低、非线性激活效率差等挑战，需光电协同发展。
3. 图计算：连接非结构化数据与智能推理，需突破多范式碎片化瓶颈。通过稀疏张量统一抽象模型、高并发稀疏架构、动态异步执行机制，适配大模型 “稀疏 – 稠密” 融合需求，支撑社交分析、药物研发等场景。
4. 存算一体：融合存储与计算，分近存（缩短存储 – 计算距离）与存内（存储阵列原位计算）路线。需突破器件性能、阵列组织、软件工具链难题，如开发高效 DAC/ADC、层次化阵列结构与 AI 框架适配的编译技术，缓解 “内存墙” 问题。
5. 类脑与神经元计算：借鉴生物神经机理，低功耗、高并行，分 CMOS 数字（工艺成熟）、数模混合（能效高）、新器件混合（存算一体）电路路线。应用于边缘计算、脑科学研究、类脑机器人等，现有系统如 IBM Blue Raven、浙大达尔文系统已达千万至亿级神经元规模。
6. 生成式变结构计算：基于拟态计算，动态生成适配架构，核心是软件定义节点与生成式互连结构。通过 AI 优化结构生成，突破 MSV/EPF 困境，在信号处理、AI 大模型等场景提升效能，需依托超限创新形成自主技术生态。

三、核心挑战与发展方向