讓搜索快一億倍，科學家造出記憶搜索引擎，直接在存儲里完成計算

每一天無論我們是在微信聊天記錄里找一句話，還是在手機相冊里找一張照片，背后都是手機在一行一行比對數據，這個過程不僅費電而且費時。

如果有一種芯片能在存儲數據的地方直接完成搜索，不需要把數據搬來搬去，速度能快多少？能耗又能節約多少？近日，香港大學李燦教授和合作者造出了一種名為模擬內容尋址存儲器的芯片，在搜索上快了大約一億倍。

圖 | 李燦（來源：受訪者）

該芯片由二硫化鉬這種比發絲還細幾萬倍的二維材料打造而來。芯片里集成了 256 個閃存單元，組成一個 8×16 的陣列。當你輸入一個查詢值，所有存儲單元同時開始比對。而且，該模擬芯片單元存儲的不是數字計算機上的 0 和 1，而是我們直接感知世界的連續模擬值。

比對的過程中，哪個單元里的數據是匹配的，對應的那條路線就保持高電壓。哪個單元里的數據是不匹配的，對應的那條線路電壓就會瞬間降低。整個搜索過程只需要 36 皮秒。

一皮秒是一萬億分之一秒，光在真空中一皮秒只能走 0.3 毫米。也就是說，這幾個芯片完成一次搜索的時間，光還沒來得及從這頭跑到那頭。

此次芯片的能耗同樣驚人，每搜索一個單元，只消耗不到 0.1 飛焦。一飛焦是一千萬億分之一焦耳，這種級別的能耗，比傳統靜態隨機取存儲器做的內容尋址存儲器低了上萬倍。

（來源：https://doi.org/10.1038/s41565-025-02089-7）

李燦告訴 DeepTech：“從應用端來看，搜索有很大的價值。一方面是數據庫搜索，另一方面和人工智能里面的注意力機制相關。注意力機制是支撐大語言模型的 Transformer 模型的 building block，本質上就是去學習到的壓縮知識里面做搜索，然后取出來。我們在論文里演示的 KNN 分類應用也很有解釋性，可以用于醫療診斷等對安全性非常敏感的應用。同時，在大數據時代大規模搜索也有很強的需求。”

為什么能夠這么快和這么省電？關鍵在于他們優化了晶體管和金屬之間的接觸。

在傳統芯片里，金屬電極和半導體材料接觸的地方，會形成一個叫做肖特基勢壘的障礙，這就像一堵墻，電子要翻過去才能流動。這堵墻會讓電阻變大、電流變小、速度變慢。

他們選擇使用銻這種半金屬作為電極。銻有個特點，它的電子態密度幾乎為零，能夠抑制金屬誘導的能隙態，把費米能級從釘死狀態解放出來。簡單說，就是那堵墻被拆掉了，電子可以自由進出，接觸電阻降到只有 400 到 700 歐姆每微米，接近了理論極限。

結果就是，單個閃存單元的開態電流能夠達到 60 微安每微米，開關比超過 10 的 9 次方，這組數字在同類二維材料閃存里是最高的。

有了這么猛的器件，他們搭出了 256 個單元的陣列，成品率為 89.45%，每個單元的閾值電壓可以被精確調節，存成不同的值。在搜索的時候，輸入電壓落在哪個單元的范圍內，那個單元就判定為匹配。

（來源：https://doi.org/10.1038/s41565-025-02089-7）

為了驗證這套系統能否用在真實場景，他們做了一個 k 近鄰分類的演示。把四個經典數據集的手寫數字、鳶尾花、乳腺癌、葡萄酒的特征值存入芯片，然后輸入查詢向量。結果芯片直接算出漢明距離，也就是算出了兩個向量有多少位不同，然后找出最近的三個鄰居投票決定分類，準確率分別是 98.89%、93.33%、97.37% 和 100%。

他們還展示了兩個進階版本。一個是雙柵結構的閃存，上下兩個柵極都能控制溝道，開關比又提高了一個量級，電流也更大。另一個是三維堆疊的互補閃存，把 n 型的二硫化鉬和 p 型的二硫化鎢上下疊起來，做成一個單元。這一面積可以節約一半，互連更短，延遲更低。

（來源：https://doi.org/10.1038/s41565-025-02089-7）

那么，這套技術能用在哪里？最直接的場景是邊緣計算。手機、攝像頭、傳感器這些設備，不需要把數據傳到云端，直接在本地就能快速搜索對比。比如刷臉解鎖，設備里存了你的臉部特征向量，然后可以和攝像頭剛拍攝到的特征向量做對比，找到匹配的就予以通過。整個過程都在芯片里完成，不用上傳隱私，也不怕網絡延遲。

還可用于網絡路由。數據包過來之后，要通過查詢路由表決定往哪里轉發。傳統方式是一行一行對比，速度非常慢吞。而使用內容尋址存儲器，所有表項可以同時對比，一個時鐘周期就能找到匹配的下一跳。

再比如數據庫加速、機器學習推理、基因序列對比，只要是需要快速查找相似數據的場景都有用武之地。

（來源：https://doi.org/10.1038/s41565-025-02089-7）

當然，距離真正走進手機還有一定距離。目前的陣列只有 256 個單元，要跑到上百萬甚至上億，還得解決良率、封裝、驅動電路等一系列工程問題。但至少原理走通了，性能數據也擺在那里。

李燦表示：“注意力機制本質上也是搜索，我們也在探索能不能用搜索機制來實現大模型，這樣二維材料高性能搜索硬件就更有優勢。同時，我們也會持續跟二維材料和存內計算以及 AI 硬件的工業界溝通，看看有沒有商業化的機會。”

參考資料：

相關論文 https://doi.org/10.1038/s41565-025-02089-7

排版：劉雅坤