Mythic：用模拟存算架构挑战AI能耗
Mythic's analog compute-in-memory architecture
传统芯片在处理器与内存间频繁搬运数据，导致80%的能量被浪费在传输而非计算上。Mythic另辟蹊径，推出模拟存内计算架构，将AI模型权重直接存储在闪存中，并在源头进行模拟计算。这种创新设计消除了数据搬运的浪费，实现了100倍的能效提升。其APU（模拟处理单元）已获得Honda和美国国防部的验证，广泛应用于机器人、自动驾驶及企业级LLM推理场景。从边缘设备到数据中心，Mythic正以120 TOPS/W的行业领先能效，重新定义AI计算的规则。
传统芯片每秒在处理器和内存之间穿梭数十亿次，将大部分能量消耗在数据传输而非计算上，这是一个行业从未质疑过的80年架构缺陷。
- phdelightful
我目前的理解（可能有点过时了）是，制造过程中的变异性是模拟计算面临的关键挑战。数字设计在底层本质上也是模拟的，但如果你只需要分辨 0 或 1，那么你对任何噪声源的容忍度就高得多。我很想听听 Mythic 哪怕再多一点关于他们如何在实践中实现这一点的细节。
2026 年 EE Times 的一篇文章 [1] 提到了“补偿”和“校准”技术。
[1] https://www.eetimes.com/mythic-rises-from-the-ashes-with-125...
- mdp2021
> Mythic M1 可在片上直接存储高达 8000 万个神经网络权重参数
这意味着要运行 Qwen 3.8 27b 需要连接超过 30 个芯粒，而要运行 Qwen3.8-2.4T-A95B 则需要超过 3000 个芯粒。成本呢？空间呢？可行性呢？
- MichaelNolan
如果你在找他们的 LLM 页面，这里是 https://www.mythic.ai/enterprise-llm
真希望他们能像 Taalas 做 chatjimmy.ai 那样，直接托管一个模型让我们看看，而不是仅仅声称比 Nvidia/Groq 快 50 倍。他们的具体主张是针对一个 1 万亿参数的模型。所以他们本可以直接抓取 GLM 5.2 或类似的模型并托管它。