随机计算：6 个晶体管如何实现 32 位浮点乘法运算

八千对六：最离谱的计算差距

在硬件的世界里，有些数字会让人当场愣住。一个 32 位浮点乘法器，需要大约八千个晶体管；而在随机计算（Stochastic Computing，简称 SC）里，只要一个最普通的 AND 门，六个晶体管，就能算出同样的乘法结果。八千对六，这种荒谬的比例一摆出来，就像是让人同时看见了两个时代：一个时代是钢铁轰鸣的庞大工厂，一个时代是简陋小屋里一个孩子掷骰子。

为什么要这么在意？因为现代 AI 模型最烧的，就是乘法。每一层卷积，每一组矩阵相乘，背后都是海量的乘法器在发热。每多一个晶体管，就是更大的面积、更高的成本、更夸张的能耗。于是 GPU 的世界里，几万个乘法器并排，几百瓦功率往外烧。而如果六个小小的 MOS 管就能干掉一个完整的浮点乘法器，那整个游戏规则都得改写。

一根比特流：骰子抖出一个数

随机计算的秘诀，在于它把数值重新定义了。

我们习惯的二进制，是死板的：0.75 就必须写成一串精确的位，32 位也好，64 位也好，一位不差。而随机计算说，不用这么麻烦。0.75 是什么意思？就是有百分之七十五的几率为一，百分之二十五的几率为零。那我就给你一根比特流，里面大约四分之三是 1，四分之一是 0，这根流就是 0.75。

你看这串：

1011010110111010...

如果你数得足够长，就会发现“1”的比例稳定在 75% 左右。于是数值变成了概率，变成了密度。它不是硬性写死的位宽，而是可以用时间去换精度：你看得越久，就越精确；你看得越短，就越模糊。

这就是随机计算的第一层魔法：一个比特流，就能表示任意精度的数值。

6个管子干掉8000管子：逻辑门的算术魔法

真正让人拍案的是，当这些比特流流进最普通的逻辑门时，居然能自己“算出”加减乘除。

拿 AND 门说事儿。假设一根流代表 0.6，另一根代表 0.8。你把它们同时送进 AND 门，只有当两边同时是 1 时，输出才是 1。

于是输出流里，“1”的比例正好是 0.6×0.8 = 0.48。这就是乘法。再看看电路图，最经典的 CMOS AND，上面两只 PMOS 并联，下面四只 NMOS 串联。六个晶体管，一拍一抖，完成了原本需要八千个晶体管才能搞定的 32 位浮点乘法。

加法也能用门电路“抖”出来。最简单的组合是 OR 减去 AND，输出的概率就逼近了两个输入的和。虽然不完美，但在很多场景下已经够用。如果想更精细，就让 MUX 出手，用一根第三的比特流控制选择，最后得到的就是概率意义上的加权和。别看只是一颗小小的选择器，实际上它就是一个概率加权器。

NOT 门更直白，输入流有多少概率是 1，输出就有多少概率是 0。XOR 门则算的是差异度，当两股流不同时才输出 1，转化成概率，就是 pA(1−pB)+(1−pA)pB。

连 AI 里最经典的非线性激活函数 Sigmoid，都能用多项式逼近后拼出来。在 [-2,2] 的区间里，Sigmoid 可以写成 0.5 + x/4 - x^3/48。常数 0.5 用固定流表示，x/4 让 MUX 稀释输入，x^3 让 AND 门连三次再稀释。几颗门电路拼起来，就画出了那条平滑的 S 型曲线。

这时候你会明白，在随机计算的世界里，逻辑门不再只是对错裁判，而是算术工人。它们不停翻转，不停抖动，最后把统计意义上的结果抖了出来。

工厂对骰子：GPU 和 SC 的两种哲学

讲完了怎么算，再回头看 GPU，差别才真正显眼。

GPU 是工厂。每一颗乘法器都要用掉上千晶体管，数万台机器并排运转，输入一样，输出必须永远一模一样，精确到小数点后若干位，差一位都不行。它是一条流水线，机器轰鸣，钢铁秩序，消耗海量电力来换取绝对的确定性。

随机计算是骰子。一个小小的 AND 门，每一拍的结果可能不同，但只要你抛得足够多，概率分布一定会稳定。它不在乎“每一次都准”，它在乎“多数情况下对”。

工厂和骰子，这就是两种哲学。前者是数字计算的骄傲，后者是概率计算的疯子。而 AI 的本质是什么？是统计，是容错，是在噪声中找规律。换句话说，骰子的逻辑，反而更贴近 AI 的灵魂。

冷门实验室的疯子候选

问题来了：既然听起来这么神奇，为什么我们没在手机、服务器里见过这种随机计算芯片？

原因是很现实的——它现在并不热门。

这个想法其实在上世纪六十年代就被提出来过，那时浮点电路太贵，研究者希望用便宜的逻辑门拼出算术。后来摩尔定律让浮点单元越来越便宜，随机计算就被抛在一边，变成论文角落里的奇思妙想。

直到 AI 的兴起，人们才又把它翻出来。因为深度学习天生带着概率性，推理时只要“多数正确”就够了，训练时本来就靠随机梯度。随机计算的逻辑突然对上了。

但就算如此，它也依然是冷门。今天的研究多停留在实验室原型。有人在 FPGA 上跑过小规模的神经网络，用随机流算卷积，证明可行；有人在北京大学提出过“随机计算加残差修正”的加速器，用少量额外逻辑来兜住误差；有人甚至直接用 ReRAM、MRAM 这些器件的物理噪声生成随机流，试图把计算和存储揉在一块。

这些实验说明它能跑，但距离大规模产业化还有很长的路。现在它更多像一个边缘的疯子候选，不主流，不热门，却足够有趣，足够让人遐想。