這集節目探討除了傳統數位電腦外，能用於執行 AI 運算 的兩項前瞻技術：類比運算（Analog Computing）與神經形態運算（Neuromorphic Computing）。類比運算利用物理定律直接處理連續數值，能以極低功耗完成龐大的矩陣乘法；而神經形態運算則模仿人類大腦，透過事件驅動的脈衝訊號大幅提升能源效率。主持人分析指出，儘管這些技術在邊緣運算與全天候監控等特定領域具有潛力，但因環境雜訊、精準度與軟體生態系等挑戰，短期內難以取代現行的馮紐曼架構。文中也提到，類比運算能協助提升 AI 的能源效益，而神經形態運算則可能成為未來常駐型 AI 助理的核心關鍵。最終總結認為，雖然傳統數位電腦仍將主導市場，但中長期內這些新架構將在特定應用中佔有一席之地。這集節目探討除了傳統數位電腦外，能用於執行 AI 運算 的兩項前瞻技術：類比運算（Analog Computing）與神經形態運算（Neuromorphic Computing）。類比運算利用物理定律直接處理連續數值，能以極低功耗完成龐大的矩陣乘法；而神經形態運算則模仿人類大腦，透過事件驅動的脈衝訊號大幅提升能源效率。主持人分析指出，儘管這些技術在邊緣運算與全天候監控等特定領域具有潛力，但因環境雜訊、精準度與軟體生態系等挑戰，短期內難以取代現行的馮紐曼架構。文中也提到，類比運算能協助提升 AI 的能源效益，而神經形態運算則可能成為未來常駐型 AI 助理的核心關鍵。最終總結認為，雖然傳統數位電腦仍將主導市場，但中長期內這些新架構將在特定應用中佔有一席之地。

本集節目重點：

一、 挑戰傳統數位架構的侷限
目前 AI 硬體多基於馮紐曼架構，即處理器與記憶體分離，運算時須不斷搬運資料，造成效率瓶頸。傳統數位電腦 0 與 1 的離散訊號運作，而真實世界是連續的「類比」狀態。隨著摩爾定律接近物理極限，縮小電晶體已難以持續提升效能。因此，科學界開始轉向研究更接近自然物理特性的類比運算與神經形態運算，試圖突破數位運算的功耗與效能限制。

二、 類比運算：利用物理規律進行高效運算
類比運算直接將問題映射到連續的物理量（如電壓、電流、電阻）中求取解答。在 AI 核心的矩陣乘法中，它利用歐姆定律天然的乘法關係，結合「記憶體內運算」節省資料搬運開銷。相較於數位電腦需數千個電晶體完成運算，類比運算僅需數個，效能有望提升 10 倍。儘管易受物理雜訊（Noise）干擾，但 AI 模型的統計本質使其對這種不精準具備一定程度的容忍力。

三、 神經形態運算：模仿大腦的「事件驅動」模式
神經形態運算模仿大腦的高效能與低功耗（大腦運作僅需約 20 瓦）。其特點是事件驅動（Event-driven）：僅在接收到「脈衝訊號（Spikes）」刺激時才進行處理，其餘時間不消耗多餘能量。這與傳統電腦無論畫面有無變化都持續運算完全不同，極度適合「全天候開啟（Always-on）」的監控或個人助理應用。雖然在 Transformer 等複雜架構的轉譯上仍有硬傷，但中長期仍具潛力。

四、 商業化瓶頸與未來市場展望
儘管潛力巨大，但這兩類硬體目前市場佔有率低於 1%。主因在於商業化成本極高：混合架構增加了製造與軟體工具鏈的難度，且類比運算的不穩定性需要額外的硬體感知訓練。短期（5 年內）兩者仍非主流，但中長期（5 到 10 年）隨著數位電腦進步空間受限，它們可能在特定 AI 領域（如邊緣運算或低功耗代理）取得顯著進展，甚至通往更深層的資訊處理路徑。

這篇文章 科技浪｜你不知道能算 AI 的兩種電腦：類比運算與神經形態運算！未來能挑戰傳統數位電腦嗎？ 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。