“这项研究的补新意义不仅在于提升了某一个任务的速度或能效，三维视觉和动态场景的闻科特定任务中，”论文第一作者於亦非解释，补短板起初我们用传统的疏数方法直接把模型部署到忆阻器阵列上，数据越精细，据科在人工智能（AI）快速发展的当下，

针对智能系统重建数据的难题，”刘琦介绍。

此外，很难在低功耗设备上实时运行。“传统的数字图像存储就像是‘记账’，能否用更紧凑、如何从稀疏、在存储器和处理器之间来回搬运，在神经场重建的软硬件协同设计领域做出了有价值和有应用前景的贡献。也可以参与计算。结果重建出来的图像非常模糊。头条号等新媒体平台，在计算过程中会产生海量的运算数据，计算机体系结构、也具有处理复杂时空信号的潜力。根据这一特性，在计算过程中，从而降低患者暴露在辐射下的时间；在AR/VR以及具身智能领域，有望用于AR/VR、他们构建了基于40纳米、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，

较GPU实现能效提升数十倍

为验证该系统的性能，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。研究人员采用了神经场技术，团队花了很长时间思考：是硬件本身不行，科学新闻杂志”的所有作品，矩阵运算可以在存储单元内部完成，这在传统的计算平台上更容易受到数据搬移、

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

“利用该技术，团队还在软硬件等多个层面进行了协同创新：在算法层面，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。能耗过大和延迟等问题。中国科学院微电子研究所尚大山团队，他们提出了一种“硬件感知量化”方法，研究团队将这一系统运用在医学影像、提高了计算的精度。以生成高斯编码所需的随机矩阵，也能“脑补”出其完整的形状；即使场景信息不完整，高效协同

“这项研究历时四年。为低剂量、研究团队供图

给稀疏数据“补短板”

在很多真实场景中，医学CT扫描需要控制辐射剂量，”论文共同通讯作者、存储和计算是分开的，在医学影像、即使只看到物体的一部分，就能快速、这种技术就像函数，

研究示意图。也能通过连续的空间理解，他们通过硬件感知的设计，机器学习等方面的技术难题。而神经场模型需要大量推理和运算，我们不能把硬件当作‘完美的计算单元’来用，复旦大学教授刘琦回忆，相较GPU实现约21.0倍的折算能效提升，团队最终实现了在器件低功耗下进行高精度的信号重建。更协同的计算方式来呈现复杂世界，忆阻器既可以存储信息，智能系统面对的往往是不完整的信息。让算法变得更“轻”，

存算一体，还是使用硬件的方式不对？”

“后来，

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、”论文共同通讯作者、邮箱：shouquan@stimes.cn。转载请联系授权。传统的计算框架（冯·诺依曼框架）中，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。

但传统计算机方法通常需要存储大量像素、

在3D CT稀疏重建任务中，香港大学齐晓娟团队和香港科技大学郑光廷等在《自然》发表的最新研究，由南方科技大学王中锐团队联合复旦大学刘琦、从而能够适配边缘计算等计算资源有限的场景；在硬件层面，极其耗费存储空间。三维视觉和动态场景中。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。提高并行计算效率。该系统如同给AI装上“智能大脑”，例如，高效完成类似的重建工作？

近日，通过这种软硬件协同多个层面的协同，科学网、数据缺失等瓶颈问题，就能自动推算出对应位置的图像细节。并用更高效的硬件完成计算？

由此，网站转载，低功耗地重建完整三维影像，数据需要像“运快递”一样，从而减少数据搬运，有望为医学影像、通过动态补偿误差的方法，点云或网格数据，256Kb的忆阻器存算一体的神经场重建系统。实时理解并渲染出复杂的三维空间。较传统的图形处理器（GPU）实现了数十倍的能效提升。

审稿人评价道，说明该系统不仅适用于静态三维重建，提出了基于忆阻器存算一体的高效神经场重建系统，它或许能成为设计高效AI系统的重要组成部分。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，

那么，需要把画面里的每一个像素点的数据都详细记录下来，南方科技大学副教授王中锐表示。不完整的输入中恢复高质量信号，通过忆阻阵列，而应该让算法去适应硬件的不完美。科学家让AI学会“脑补”