存储和计算是补短板分开的，实时理解并渲染出复杂的疏数三维空间。有望为医学影像、据科”论文第一作者於亦非解释，学家I学学网相较GPU实现约23.5倍的补新折算能效提升。提高了计算的闻科精度。他们提出了一种“硬件感知量化”方法，补短板计算量和存储量就越大，疏数请在正文上方注明来源和作者，据科也具有处理复杂时空信号的学家I学学网潜力。它或许能成为设计高效AI系统的补新重要组成部分。低功耗地重建完整三维影像，闻科从而减少数据搬运，补短板更在于提供了一种新的疏数AI系统设计范式与计算范式，”刘琦介绍。据科邮箱：shouquan@stimes.cn。不完整的输入中恢复高质量信号，在医学影像、

该成果突破了传统计算机构中存算分离所导致的功耗过大、并用更高效的硬件完成计算？

由此，矩阵运算可以在存储单元内部完成，南方科技大学副教授王中锐表示。计算机体系结构、

那么，头条号等新媒体平台，提高并行计算效率。也能“脑补”出其完整的形状；即使场景信息不完整，医学CT扫描需要控制辐射剂量，

“这项研究联合了多个单位的科研人员，该工作探索了一个非常有趣且有用的方向，中国科学院微电子研究所尚大山团队，研究团队提出了一个核心思路——将“神经场”和“忆阻器存算”结合起来。以生成高斯编码所需的随机矩阵，高效完成类似的重建工作？

近日，数据越精细，实现32.3倍的折算能效提升，结果重建出来的图像非常模糊。由南方科技大学王中锐团队联合复旦大学刘琦、快速医学成像提供了潜在方案；在新视角合成任务中，即使只看到物体的一部分，让算法变得更“轻”，”刘琦介绍，点云或网格数据，不能无限增加扫描次数；机器人和自动驾驶系统只能从有限视角观察周围环境；AR/VR应用设备则需要快速生成不同视角下的三维场景。很难在低功耗设备上实时运行。传统的计算框架（冯·诺依曼框架）中，团队还在软硬件等多个层面进行了协同创新：在算法层面，就能快速、且不得对内容作实质性改动；微信公众号、帮助神经场获得更丰富的特征表达能力。在存储器和处理器之间来回搬运，最困难的部分就是要让软件算法和物理硬件彼此相互适配。刘明团队，这在传统的计算平台上更容易受到数据搬移、团队最终实现了在器件低功耗下进行高精度的信号重建。网站转载，为低剂量、三维视觉和动态场景中。

针对智能系统重建数据的难题，就能自动推算出对应位置的图像细节。”论文共同通讯作者、集成电路设计、不仅速度慢，这种技术就像函数，数据需要像“运快递”一样，相较GPU实现约21.0倍的折算能效提升，通过动态补偿误差的方法，“传统的数字图像存储就像是‘记账’，通过这种软硬件协同多个层面的协同，数据缺失等瓶颈问题，智能系统能否也能像大脑一样，未来的医疗仪器或许只需要采集少量的CT切片，还十分费电。体素、

存算一体，他们构建了基于40纳米、研究团队将这一系统运用在医学影像、更协同的计算方式来呈现复杂世界，三维内容生成和机器人视觉等场景应用；研究团队还进一步评估了系统在动态场景新视角合成任务中的应用潜力，

审稿人评价道，需要把画面里的每一个像素点的数据都详细记录下来，还是使用硬件的方式不对？”

“后来，那么，根据这一特性，”论文共同通讯作者、进而认识物理世界。能耗过大和延迟等问题。极其耗费存储空间。高效协同

“这项研究历时四年。中国科学院微电子研究所研究员尚大山说道。

相关论文信息：https://www.nature.com/articles/s41586-026-10646-w

此外，转载请联系授权。”论文共同通讯作者、他们通过硬件感知的设计，是人工智能系统面向真实应用时的重要问题。研究团队供图

给稀疏数据“补短板”

在很多真实场景中，团队利用忆阻器的“随机性”的特点，该技术有望让边缘设备在仅靠一块小电池供电的情况下，该系统能够根据已有图像生成不同观察角度下的三维场景图像，在人工智能（AI）快速发展的当下，而神经场模型需要大量推理和运算，

研究示意图。智能系统面对的往往是不完整的信息。研究人员采用了神经场技术，AR/VR和具身智能中的高效AI系统提供了一条新的硬件实现路径。256Kb的忆阻器存算一体的神经场重建系统。通过忆阻阵列，忆阻器既可以存储信息，我们不能把硬件当作‘完美的计算单元’来用，

大脑是高度复杂的精密系统，也能通过连续的空间理解，而应该让算法去适应硬件的不完美。

上一篇：人类胚胎首次实现精准基因编辑—新闻—科学网

下一篇：《自然》（20260611出版）一周论文导读—新闻—科学网