近似運算（approximate computing）

假設你正從一張照片挑牆壁的顏色。如果某個像素差了一個察覺不出的色調，有差嗎？當然沒有——你的眼睛分辨不出來，而「淡藍色」這個答案一樣好。許多現代運算都像這樣：串流影片、機器學習、感測器資料、影像處理。這些結果由不完美的人類感官消費，或者本身就已經帶著雜訊、是統計性的，所以做到精確、逐位元完美正確並換不到什麼。近似運算就是一種刻意的策略：拿你並不需要的一點點準確度，去換取能量、時間或硬體上的大量節省。

其想法是：精確很貴，你應該只在它真正重要的地方付那個代價。具體而言，近似運算涵蓋好幾種技巧。你可以用降低精度——以 8 位元或 16 位元數字運算，而非 32 或 64 位元，這樣更小、更快、也省電得多，這正是機器學習硬體仰賴低精度算術的原因。你可以打造刻意簡化的電路，例如一個幾乎總是對、偶爾在最後一位元出錯的加法器，換來更小、更涼。你可以略過工作——抽樣一部分資料而非全部，或在答案「夠好」時就提早停止某個迭代運算。每一種情況下，你接受一個受控、有界的誤差，把省下來的收進口袋。

紀律就在「受控」這個詞裡，而誠實的危險也正在那裡。近似運算只有在誤差可容忍且可量化之處才行得通，在不可容忍之處則是災難性的：你絕不可近似一筆銀行餘額、一把密碼金鑰、一個記憶體位址，或一個程式的控制流——那裡只要錯一個位元就毀掉一切。困難的工程問題是：一項運算的哪些部分可以馬虎、馬虎到什麼程度，而嚴謹地把那個誤差框住並不容易。明智地用在可容忍誤差的工作負載上，近似是後摩爾工具箱裡一個強大的槓桿；草率地用，它會悄悄產出看起來合理、實則錯誤的答案。