量子计算与神经形态计算吸引了数十亿美元投资，并凭借其数量级提升的计算潜力进入公众视野。尽管这些技术距离商业化仍需数十年，但人们普遍相信，一旦实现，世界将彻底改变。
然而，许多人尚未意识到的是，另一种创新技术同样能大幅超越经典数字计算，并且如今已实现商业化应用——即概率计算。波音、博世等行业领军企业已在生产中部署该技术。概率计算正成为一场大多数人尚不知晓的下一次计算革命——直到现在。
本文旨在为初学者提供入门指南，阐述其工作原理、主要参与者及为何它将成为计算领域的下一次重大变革。
www.eic.net.cn
经典计算的固有局限
在不确定世界中采用确定性方法
所有经典计算解决方案——无论是英特尔、AMD还是Arm的产品——均遵循同一模式：接收一个不含任何元数据的精确数值，进行处理后输出另一个单一精确值。在硬件底层，晶体管无法分辨所乘数值究竟是四舍五入至小数点后四位的飞机部件质量，还是置信度为73%的神经网络输出结果。对硅芯片而言，二者毫无区别：均为标量，不附带任何关于该数值可信度或不确定性的元信息。
但在现实世界中，数值几乎从不如此“干净”。传感器会漂移，测量与制造存在公差，神经网络输出的是概率。直白地说：任何真实工程问题的有意义输入，本质上都是一个分布（即一组具有特定形状的可能取值范围）。
因此，经典计算方法不得不接受一个前提：软件必须首先将该分布“压扁”为单一数值，硬件才能处理；或者开发者用大量离散点表示该分布，导致每一步计算都需重复多次运算以传递信息。两种方式均非理想方案。
假设完美性背后的隐性成本
为恢复真实世界表征，工程师需实施算法以重建全部合理结果范围。最常用的技术是蒙特卡洛模拟：对同一计算重复数千次，每次使用略有差异的输入并汇总结果。该方法发明于20世纪40年代，至今仍是主流（且不可避免）手段，用于弥补当前计算系统默认丢弃的信息。
但蒙特卡洛方法在算法层面代价高昂——其精度仅随样本数量的平方根提升。这意味着迭代次数增加100倍，精度仅提高10倍；若想将单次计算精度翻倍，则需耗费四倍算力与能耗。精度成本呈二次方增长，在规模化生产中构成难以逾越的障碍。
例如，在大型投资银行中，仅蒙特卡洛计算一项每年就可能消耗数亿美元，相关任务需每晚通宵运行，覆盖全盘所有头寸。在工业人工智能领域，此类计算过于昂贵，无法在边缘端执行，导致传感器数据必须往返云端，拖慢实时控制响应、额外消耗能源，并暴露数据安全风险。
何为概率计算？
概率计算通过硬件而非算法来解决上述问题。
总体而言，目前有两种主流概率计算路径获得广泛关注：热力学计算与分布扩展型（UxHw）计算。二者虽目标一致，但在实现方式、性能表现与商业化进度上存在显著差异。
热力学计算的工作原理
热力学概率计算旨在利用电路噪声及电气系统的动力学特性。通常，噪声源自所有电子系统固有的热噪声，或作为求解计算问题过程的一部分被主动注入。
实践中，相关企业设计模拟电路，使其电气行为（如电压、电流）在电路噪声作用下自然映射目标概率分布。当电路达到平衡态后，读取某处状态即可获得分布的一个样本；持续运行电路则可累积样本，实质上实现了传统处理器上数字蒙特卡洛方法的功能。
相比数字处理器受限于时钟频率需执行数千次蒙特卡洛迭代，热力学计算操作速度更快——取决于电路中电压与电流变化速率。
热力学计算现状
该领域领先企业包括：
• Normal Computing：推出基于“随机处理单元”的热力学计算平台，其模拟加速器可原生采样概率分布，目标应用涵盖贝叶斯推断、生成式人工智能与科学仿真。
• Extropic：基于能量模型开发面向生成式AI的概率芯片，核心为“概率比特”，其模拟电路元件状态本身即为随机变量，而非确定性0或1。
• Unconventional AI：聚焦硬件-软件协同设计，推进类似热力学路径的研发。
该路径吸引力在于：若物理机制可在规模上成立，其能效优势将极为显著。但实际挑战在于，模拟电路极难满足数字工作负载所需的制造一致性与可预测性。据我们所知，该类别尚无企业发布商用产品或公开对标顶尖数字处理器的基准测试结果。
分布扩展型（UxHw）计算路径
UxHw计算如何运作
分布扩展型硬件（UxHw）路径始于完全相反的前提：不依赖模拟电路采样分布，而是保留标准数字硅基工艺兼容性，仅在架构层面重新定义“数值”内涵。
在UxHw处理器中，一个变量不仅包含常规单一数值，还附加元数据——即该变量所有可能取值的概率分布，每个取值均赋有权重。例如，传感器读数“10±噪声”会被同时存储为传统处理器使用的主值，以及元数据：9.8与10.2存在较小概率，10.0概率较高，其余合理取值亦按概率分布完整记录。
当程序要求处理器对两个此类变量相加时，硬件会同步处理两部分：遍历所有可能组合，分别计算每组配对之和，并按对应组合概率加权。最终输出为新的分布形态——即所有可能和值及其正确概率。乘法、减法、除法及其他运算均依此逻辑执行：对每一组合理输入组合进行算术运算，生成输出分布。
终极目标是尽可能紧凑地表示这些元数据分布，并高效执行算术操作。
除始终给出与传统处理器一致的结果外，UxHw还能同步产出分布元数据。关键在于，整个过程仅需单次运算：硬件直接对分布形状执行精确算术，而非随机抽样再聚合。由于数学过程为确定性，相同输入分布在任何运行或芯片上均产生完全一致的输出分布，无需抽样、迭代或担忧收敛问题。
UxHw计算现状
UxHw的核心优势在于实用性：其硅基芯片采用标准数字CMOS工艺，具备现有现代处理器同等的可制造性、可重复性与标准兼容性，且可运行开发者已熟悉的软件。该技术具备良好可扩展性，适用于从低功耗传感器系统、移动机器人到工程仿真与量化金融等高性能计算场景。
正因如此，UxHw已实现商业化落地。目前Signaloid提供三种商用形态：集成AWS云平台（客户包括波音与欧洲核子研究中心CERN）、通过Mouser Electronics销售的microSD规格边缘硬件模块，以及于2026年5月由台积电（TSMC）完成流片的低于10瓦ASIC芯片。
作为首个上市的概率计算方案，UxHw已验证实际效果。在同等功耗条件下，对比英特尔至强（Xeon）级硬件的基准测试显示：
• 风险价值（VaR）计算提速超66倍
• 机器人领域粒子滤波算法提速超37倍
• 概率编程机器学习算法提速超3000倍
• 核能安全评估计算提速超100倍
易IC库存管理软件
今日即可部署
过往每一次计算范式变革均经历相似阶段：GPU最初用于运行游戏，后才被用于物理仿真或神经网络；TPU在谷歌内部运行多年后，工程师才普遍知晓其缩写；CUDA最初仅为小众编程模型，最终成长为整个产业基石。
概率计算正处于这一阶段。UxHw技术现已可用于服务器机架、工厂产线部署，定制化UxHw ASIC芯片正在台积电流片中。
