对话Normal Computing：用热力学芯片破局算力能耗

一块GPU为了保证计算不出错付出的能耗代价，远比大多数人想象的高。

传统芯片消耗大量电力维持确定性，但扩散模型、大语言模型等AI算法本质上却依赖概率采样。从Google X内部孵化而来的初创公司Normal Computing提出了一种新思路：能否直接利用物理硬件本身的噪声完成概率计算，从而大幅降低AI算力能耗？

Normal Computing今年完成了由三星催化基金领投的5000万美元战略融资，累计融资超过8500万美元，投资方包括美光风投、埃里克·施密特旗下的First Spark Ventures和嘉加资本。公司还在Hot Chips大会上公布了首颗热力学计算芯片CN101的测试结果。在斯坦福商学院的一场炉边对话中，Normal Computing联合创始人兼CEO Faris Sbahi分享了公司在技术路径演进、半导体供应链整合以及AI时代团队管理上的实践。

从振荡器到DRAM：寻找可规模化的存内计算

Normal的技术演变经历过三个阶段。

最初，团队在Google Brain探索专用模拟计算架构，尝试基于振荡器的RLC模拟电路完成概率计算。但随着模型参数规模急剧膨胀，模拟电路的规模化扩展遇到了瓶颈。

大约两年前，团队将架构重心转向了成熟的DRAM（动态随机存取存储器）。DRAM具备制造成本低、工艺成熟且存储密度远高于SRAM的优势。在大模型推理过程中，数据在存储器与计算单元之间的频繁搬运造成了严重的延迟与功耗，即经典的“存储墙”问题。Normal通过在成熟的DRAM内部直接执行带噪声的概率计算，将计算与存储融为一体，显著压缩了数据搬运的开销。

硬件未动，AI驱动的EDA工具先行

在开发全新架构硬件的过程中，团队发现传统的电子设计自动化（EDA）工具难以满足需求。数十年来，EDA市场被少数巨头主导，工具底层逻辑少有变革。

团队着手自研结合AI辅助的新型设计与仿真工具。令人意外的是，这些原本服务于内部硬件开发的软件工具，很快吸引了三星、美光等合作存储厂商的兴趣，演变成为能独立产生收入的EDA业务。Normal EDA的近期目标是将定制芯片的设计周期缩短一半，远期则支撑上千倍计算能效比硬件的落地。

深度融入半导体供应链壁垒

针对初创芯片公司与半导体巨头之间是竞争还是合作的疑问，Faris强调了深度融入供应链的重要性。在半导体这类周期极长、验证极其严苛的行业，颠覆性技术不能凭空替代现有生态。

Normal选择与头部存储厂商联合开发新产品线，让成熟存储产线适配新型计算需求。双方从概念验证起步，Normal通过先期交付EDA工具建立信任，逐步签订涵盖商业条款的联合开发协议。这种深入制造产线内部建立的合作与工程信任，构成了深科技公司最难被复制的护城河。

AI放大的人才密度与极简组织

谈及团队建设，Faris认为AI正在深刻重构组织的幂律法则。过往大企业引以为傲的庞大规模正在失去优势，顶尖人才的产出在AI工具赋能下可被放大数十倍乃至百倍。

在招聘优先级上，团队将使命认同与解决困难问题的通用认知能力排在首位，过往工作年限反而被后置。Faris指出，创始人不能将核心产品定义与关键工程决策外包给资深管理者，保持极高人才密度的小团队正在成为突破前沿工程难题的主流模式。

面对算力扩张背后的能耗挑战，从物理底层重塑计算范式正在成为前沿芯片探索的关键战场。