模拟 AI 芯片舍弃 ADC 转换在语音识别中的能效突破路径
端侧设备追求的是算力与能耗之间的平衡，在可穿戴或嵌入式场景中，如何降低功耗同时保持识别精度成为关键矛盾。过去研发阵线上的焦点多集在 H100 这类高性能芯片上，但这些器件在功耗预算有限的环境中并不占优。模拟 AI 芯片试图从电路层面绕出一条新路：它不再将神经网络的运算拆解为离散的数字步骤，而是让输入信号直接作为电流流经电路，依靠基尔霍夫电流定律完成加权求和。这种方式省去了模拟转数字的过程，避免了权值在存储器与处理器之间来回搬运，因而在语音识别任务中表现出远低于传统方案的能耗。
数字芯片在处理语音信号时，往往在 ADC 转换环节上花费最大的功耗，数据在模拟域与数字域之间频繁切换，加上存储与计算分离的结构，整个系统能耗的一半以上用来在这环节上。模拟 AI 芯片跳过了这一步骤，使总体功耗降至数字方案的千分之一量级，这在实时性要求高的场景中尤为重要，因为信号一进入电路便立刻完成运算，无需等待时钟信号驱动，每一次延迟都被压缩到最短。
但模拟电路的缺点也显而易见，器件之间的制造偏差、温度变化与环境噪声都会直接影响计算结果的稳定性。当温度从 35°C 上升到 85°C 时，模拟芯片中权值的误差可能超过 5%，足以改变模型输出的结果。这种波动性让模拟芯片难以胜任那些对精度要求极为苛刻的任务，比如那些复杂的文本生成任务，但在关键词识别这样相对简单的语音指令识别中，误识率仍可保持在 2% 以下，这已经满足多数日常场景的需求。
训练与部署之间存在较大鸿沟也是模拟 AI 芯片面临的一大难题，因为权值以电导的方式存储，而非数字浮点数格式，无法直接使用 PyTorch 或 TensorFlow 保存的 .ckpt 或 .pth 模型文件。开发者需要重新搭建一套硬件感知训练流程，将忆阻器的导电特性融入损失函数设计，通过在训练阶段加入高斯噪声模拟温度漂移，提前补偿部署后可能出现的误差。
尽管模拟 AI 芯片在商业化过程中还面临制造工艺与成本等方面的挑战，但在低功耗、高实时性的应用场景中已展现出明显优势。在未来随着忆阻器制程的逐渐成熟，这种依靠物理行为而非纯粹逻辑运算的芯片设计方式或许将成为新兴 AI 硬件领域的一种重要范式。
全部回复 （4）
想当场把话说完？进全球 AI 聊天室，登录就能开口。
参数漂移一旦失控，准确率直接掉到没法看，这能效比提升真的能覆盖掉精度损失吗？毕竟对于可穿戴设备或嵌入式场景，能效比才是决定性的生死线。
温漂要是控制不住，这芯片直接变暖手宝，补偿电路能顶住吗？模拟 AI 芯片的硬核之处在于让神经网络计算直接在物理层面完成，其核心逻辑是利用忆阻器等新型存储元件的物理特性，将神经网络的权重以电导率形式直接“烧”在电路中。当语音信号以电压形式通过电路，根据基尔霍夫电流定律（KCL），节点上的加权求和操作在物理层面瞬间完成。这意味着它无需时钟周期调度指令，也不需要频繁访问 DRAM 或 SRAM，信号“流过”即完成计算。
能效比提升多少？没看到实测对比图之前我坚决不信。但仔细想想，数字芯片处理语音时那套ADC量化加数据搬运的链路，功耗大头恰恰就耗在这上面，而模拟AI芯片让信号“流过”即完成计算，省掉了内存访问和时钟调度，理论上功耗能低好几个数量级。不过精度损失和器件不一致性带来的温度漂移问题，确实让人担心它在实际设备里的稳定性，所以还是得等实测数据说话。
模拟芯片最怕噪声干扰，精度掉到 8bit 以下这语音识别还能用吗？看看模拟 AI 芯片的硬核之处在于让神经网络计算直接在物理层面完成。其核心逻辑是利用忆阻器（Memristor）等新型存储元件的物理特性，将神经网络的权重（Weights）以电导率形式直接“烧”在电路中。当语音信号以电压形式通过电路，根据基尔霍夫电流定律（KCL），节点上的加权求和操作在物理层面瞬间完成。这意味着它无需时钟周期调度指令，也不需要频繁访问 DRAM 或 SRAM，信号“流过”即完成计算。