香港大學工程學院研究團隊研發一款採用極簡架構模擬內容尋址記憶體（CAM）晶片，可直接在儲存資料位置進行複雜搜尋。團隊在執行漢明距離（Hamming distance）計算任務時測試發現，這款晶片處理速度比標準中央處理器（CPU）快約 1 億倍，並在多個資料集測試中取得極高準確率。
解決記憶體傳輸瓶頸
人工智能與大數據時代下，傳統電腦硬件存在記憶體與處理器之間資料傳輸緩慢且高耗能問題，業界稱之為「馮·諾伊曼瓶頸」（Von Neumann bottleneck）。港大工程學院電機及電子計算機工程學系與先進半導體及集成電路中心李燦教授團隊，聯同復旦大學及新加坡國立大學研究人員，利用二維二硫化鉬（MoS2）閃存技術，設計出這款內容尋址記憶體，可在單一步驟中同時比對輸入搜尋資料與所有儲存資料。
僅需 2 個電晶體構建單元
傳統 CAM 單元需要 16 個電晶體才能構建，團隊設計極簡架構模擬 CAM 僅需 2 個電晶體即可完成一個單元。這做法縮小晶片面積，同時令晶片能直接處理更接近真實世界連續模擬訊號，提升資訊儲存密度。團隊亦利用半金屬銻（Sb）作為接觸電極，克服二維材料連接電路時限制電子流動的「肖特基勢壘」（Schottky barrier）問題，成功打造電阻極低通道。
性能數據亮眼
根據港大公布資料，這款模擬 CAM 陣列讀出電流超過 60 μA/μm，ON/OFF 比率超過 10⁹，每次搜尋耗能低於 0.1 fJ（飛焦耳），延遲僅 36 皮秒。研究成果以《Sb-contacted MoS2 flash memory for analogue in-memory searches》為題，於國際頂級學術期刊《Nature Nanotechnology》發表，論文由 Dr Guoyun Gao 及 Bo Wen 共同擔任第一作者，分別負責晶片陣列設計製造及性能測量。
下一代 AI 硬件方向
李燦表示，作為大型語言模型基礎「注意力機制」（attention mechanism），本質上是從壓縮知識庫中提取資訊搜尋過程。團隊正探索如何利用這類高性能硬件，實現大型 AI 模型搜尋機制。雖然大規模商業化生產仍需克服封裝方面工程挑戰，但這項研究為下一代高效能、低功耗 AI 硬件提供清晰發展方向。事實上，全球晶片業近期亦朝相同方向探索，IBM 早前發表 3D 模擬式記憶體內運算技術，SK Hynix 與 TetraMem 亦聯合展示以憶阻器（memristor）為基礎的 AI 晶片，同樣期望繞過記憶體與處理器分離帶來的效能損耗。
