在现代人工智能（AI）训练过程中，海量的计算需求已经成为制约性能提升的瓶颈。例如，训练 OpenAI 的 GPT-3 模型需要 数以亿计的操作，并耗费约 500 万美元 的计算时间。工程师们发现，通过改变数字在计算机中的表示方式，可以大幅减轻这种负担。本文将深入介绍一种名为 posits 的新型数字表示法，以及它如何通过硬件实现带来惊人的精度提升。

一、背景：浮点数与计算瓶颈

当前几乎所有计算机都使用 浮点数 来表示实数。但实数有无穷多个，而硬件只能用有限位数（如 32 位或 64 位）来近似表示，这就导致许多数字必须 四舍五入，造成精度损失。尤其在训练深度神经网络时，大量乘法累加操作会不断累积误差，最终影响模型质量。

小提示：浮点数由三部分组成：符号位（0 正 1 负）、尾数（表示小数部分）、指数（表示 2 的幂次）。这种结构在靠近 1 和 -1 的区域精度有限，而神经网络中的权重参数恰好集中在这个区域。

二、Posits：一种更聪明的数字表示

早在 2017 年，当时在 A*STAR 计算资源中心 和 新加坡国立大学 联合任命的 John Gustafson，以及当时在 Interplanetary Robot and Electric Brain Co. 任职的 Isaac Yonemoto 共同开发了一种新的数字表示方式，称为 posits。它被提议作为对标准浮点算术处理器的改进。

2.1 Posits 的核心优势：regime 部件

Posits 保留了浮点数的所有组成部分（符号、尾数、指数），但额外添加了一个 “regime” 部分——即指数的指数。其关键特性在于：regime 的位长可以动态变化。对于很小的数字，regime 可能只占用两个位，从而为尾数留出更多空间，显著提升精度。

这种分布方式使得 posits 在数轴的中间（约 1 和 -1 附近）拥有比浮点数更多的表示位置，而在数轴两端（大正数和大负数）精度下降得更加平缓。正如 Gustafson 所说：“它更适合计算中数字的自然分布。浮点算术中有大量的位模式从来没有人使用过，那是浪费。”

常见问题：为什么 posits 在 1 和 -1 附近精度更高？
因为神经网络中的权重通常是归一化参数（范围接近 [-1,1]），posits 通过可变长 regime 自动为这些常用数字分配更多尾数位，从而减少舍入误差。

三、硬件实现：首个 posit 处理器内核

来自 马德里康普顿斯大学 的研究团队（ArTeCS 小组）开发了 第一个在硬件中实现 posit 标准 的处理器内核。他们在 IEEE 计算机算术研讨会 上展示了成果：

• 在 矩阵乘法（神经网络训练的核心操作）中，使用 32 位 posits 比使用 32 位浮点数 精度提高了四个数量级。
• 提升精度 没有增加计算时间，只是略微增加了芯片面积和功耗。

该团队通过在 现场可编程门阵列 (FPGA) 中合成硬件实现，将 32 位浮点数和 32 位 posits 并排比较，并以更准确但计算成本更高的 64 位浮点格式作为基准。结果证实了 posits 的优越性。

小提示：Posits 还提供一种名为 quire 的特殊寄存器，专门用于高效执行累加步骤，避免多次截断带来的精度损失。而传统浮点数无法做到这一点。

四、行业动向与挑战

Complutense 团队并非唯一挑战数字表示极限的团队。就在同一周，英伟达、Arm 和英特尔 就使用 8 位浮点数（而非通常的 32 位或 16 位）用于机器学习应用达成了一项规范。使用更小、更不精确的格式能提升效率和内存利用率，但代价是计算准确性——而 posits 则试图在精度和效率之间取得更好平衡。

4.1 对大型 AI 模型的潜在影响

尽管数值精度的提升已获证实，但 posits 是否真能加速像 GPT-3 这样的大型 AI 训练仍有待观察。康普顿斯大学的研究生研究员 Da vid Mallasén Quintana 表示：“假设可能会加快训练速度，因为你不会在途中丢失太多信息，但这些是我们不知道的事情。有些人已经在软件中进行了尝试，但我们现在也想在硬件中尝试。”

4.2 全球采用情况

许多其他团队也在开发自己的硬件实现以促进 posits 的使用。Gustafson 评论说：“它正在做我希望它做的事情——它正在疯狂地被采用。位置编号格式引起了轰动，有数十个团体，包括公司和大学，都在使用它。”

常见问题：目前 posits 能否直接替代浮点数？
不能。现有软件和硬件生态系统都是为浮点数设计的。虽然软件模拟 posits 可行，但格式转换会带来额外开销。只有像 Complutense 这样实现原生硬件支持，才能真正发挥 posits 的优势。未来若被主流芯片厂商采用，情况可能改变。

总之，posits 通过巧妙的数字表示方式，在不增加位宽的前提下显著提升了计算精度，尤其适合神经网络这样的应用场景。虽然从理论到大规模实用仍需时日，但它为后摩尔时代提升计算性能提供了一条切实可行的新路径。