Future Computers Will Be Radically Different (Analog Computing)
Veritasium在 YouTube 播放 ↗
字幕解读
视频回顾模拟计算用连续电压求解微分方程，并说明其快速、低功耗但有误差、重复性与专用性限制。随后串联感知机、ALVINN 和 ImageNet/AlexNet，指出神经网络规模扩大带来能耗、数据搬运瓶颈与晶体管极限。因神经网络主要做矩阵乘法且容忍少量精度波动，可用闪存单元的可变电导代表权重、电压代表激活，在模拟域完成乘加。芯片适合低功耗推理，但深层运算的信号失真仍需数字转换。
英文字幕轨道 · 引文按字幕原文展示，可点时间戳回看片段。
内容要点
- 模拟计算用物理量连续变化直接表示问题，可快速低功耗求解特定计算，但误差与重复性是固有限制。
- 神经网络发展受算力、能耗和冯·诺依曼数据搬运瓶颈推动，模拟阵列可将权重映射为电导、激活映射为电压来并行乘加。
- 模拟推理芯片适合特定部署场景；深层计算中的误差累积会导致信号失真，因此仍需数字转换和混合处理。
视频章节 6
- 模拟计算机的复兴
- 模拟与数字计算的权衡
- 感知机与神经网络历史
- ImageNet 与规模化计算
- 数字计算瓶颈
- 闪存阵列执行模拟乘加
具体观点与证据 4
模拟计算利用电流相加等物理规律直接计算，减少数字门电路所需的操作。
适合特定运算，不能替代通用数字计算。
you can add two currents, just by connecting two wires.神经网络的大矩阵计算可能主要耗费在搬运权重，存储与计算分离构成瓶颈。
视频解释传统冯诺依曼架构的开销，不声称所有工作负载如此。
most of the time and energy goes into fetching those weight values部分神经网络推理能够容忍小幅数值误差，使模拟计算重新具有应用空间。
限于误差容忍的推理任务，不能推广为任何模型都无需精度。
neural networks don't need the precision of digital computers.混合模拟与数字计算在层间恢复数字信号，避免多次模拟矩阵乘法积累失真。
描述Mythic的推理方案，并非纯模拟端到端训练。
you convert it from the analog domain, back to the digital domain,补充字幕原文 2
模拟计算虽快且节能，但专用、不可精确复现和误差较大等限制解释了其曾被数字计算取代。
but also single-purpose, non-repeatable, and inexact芯片以电压表示激活、以电导表示权重，所得电流自然执行乘法。
the resulting current is the product of voltage times conductance解读边界
视频介绍的是模拟 AI 芯片的原理与创业公司演示，未提供广泛独立基准；性能比较也被受访者明确指出并非同等条件。
相关视频与证据 1
精度边界对照精度是否足够取决于误差落在哪里
模拟计算视频以神经网络可容忍小幅误差解释低功耗推理机会；数字音频视频则把量化误差细分为噪声与输入相关失真，并用dither改变误差性质。两者共同要求按任务评估误差，而非只比较位数。
Future Computers Will Be Radically Different (Analog Computing)
某些神经网络推理可接受有限误差。
neural networks don't need the precision of digital computers.D/A and A/D | Digital Show and Tell (Monty Montgomery @ xiph.org) ↗
量化误差的性质可通过dither控制。
dither is specially constructed noise that substitutes for the noise produced by simple quantization▶ 12:09–12:28 · 观看片段适用边界 模拟推理误差与音频量化噪声不是同一机制，不能把音频抖动方案直接套到神经网络。