范式飞升
你以为走遍天机门二十六章，冯·诺依曼架构就是计算的尽头。没有尽头——只有你还没撞到的天花板。
计算范式演进时间轴
你站在天机门最高处。脚下是二十五章的路——从0和1的逻辑门，到流水线、缓存、虚拟内存、操作系统、网络、分布式、并行计算，一路修到化神。山顶有一座石碑，碑上刻着一行字："存算分离，秩序永存。"
诺依曼老祖
「1945年我画的存算分离那张图，八十年了，你们还在用。走遍天机门——觉得这就是计算的尽头？」
冯·诺依曼之影
「来得好。与我赌一局。这五样计算，哪一样冯·诺依曼架构已经做到了极限、无瓶颈可破？赌你找不出一个它根本做不好的任务。」
计算范式演进时间轴 · 范式天花板探索器
拖动游标穿越八十年 → 逐一点亮五大瓶颈热区 → 顿悟都在撞同一堵墙
详解 · K26-01 冯·诺依曼架构的根本局限
Backus 1977 年图灵奖演讲（CACM 1978「Can Programming Be Liberated from the von Neumann Style?」）给这堵墙起了名字：冯·诺依曼瓶颈——CPU 与内存分居总线两端，每次运算先付搬运税。能量账最能说明问题（Hennessy & Patterson 45nm 口径）：一次 32 位浮点乘法约 3.7pJ，一次 32 位 DRAM 读取约 640pJ——搬运比计算贵 170 倍，对整数加法（约 0.1pJ）更是 6000 倍以上；机器学习负载 MAC/访存比低，学界口径六到九成能耗花在数据移动上。你拖动游标点出的三张墙其实是同一堵墙：功耗墙（2004-2005 年 Dennard 缩放失效、频率停滞）、内存墙（Wulf & McKee 1995：CPU 性能年增约 50%，DRAM 延迟年增约 7%——时间轴上 1995 年那个节点）、算力-带宽剪刀差（缓存命中率随数据集增大而衰减，加大缓存只是把墙往后挪）。加大缓存、提升带宽都是绕，不是消除——墙的根源是「存算分离」这个架构定义本身。Trade-off：它换来的是通用性与可编程性，这是 1945 年那张图统治八十年的原因，也是 K26-15 融合论里它仍占一席之地的原因。台上五大热区全亮那一刻，架构之伤落下第一道裂缝——账名就叫「搬运税」。
量子计算 · 叠加之境
光壁裂开一道缝，缝里透出紫色的光——像所有可能性同时存在。缝后是一座环形石台，台上悬着一颗光球，在蓝（|0⟩）与紫（|1⟩）之间不停闪烁。
诺依曼老祖
「经典比特是硬币——要么正面，要么反面。这个，是正在旋转的硬币。按住它之前，它既是正面也是反面。这叫叠加。」
冯·诺依曼之影
「叠加态……有意思。但你能用它做什么？」
量子比特 · 叠加与测量实验台
制备|0⟩ → 施加H门进入叠加 → 测量坍缩 → 多比特2^n维空间
详解 · K26-02 量子计算基础：量子比特/叠加/纠缠/量子门
经典比特是二值开关；量子比特是二维希尔伯特空间里的单位矢量 |ψ⟩=α|0⟩+β|1⟩，α、β 为复振幅且 |α|²+|β|²=1（Nielsen & Chuang Ch1）。n 个量子比特张成 2^n 维空间——台上按到 4 比特是 16 维，而 300 个量子比特的 2^300≈10^90 已超宇宙原子总数（~10^80）：这不是存储器竞赛，是「指数宽」的状态空间。但空间宽不等于信息免费：测量坍缩只吐出 n 个经典比特，Holevo 界（1973）证明 n 个量子比特至多携带 n 经典比特信息——「同时计算所有答案」的说法必须配上这一句才严谨，台上测量按钮按下去永远只见一面的随机结果就是这个界的现场演示。纠缠 (|00⟩+|11⟩)/√2：测量一个立即决定另一个，但 no-cloning 定理（Wootters-Zurek 1982）与坍缩随机性钉死了用它超光速传信的路（S2 的不可通信刻痕出处）。量子门是可逆酉变换：H 绕 (x+z)/√2 轴转 π、X 绕 x 轴转 π、Z 绕 z 轴转 π——S2 布洛赫球上那支矢量转的就是真实几何，H·H=I 所以叠加不会无限叠。量子计算的全部魔法=指数维空间+酉演化+相长干涉放大正确答案（K26-03 接手）。Trade-off：制备、控制、读出都要物理硬件付保真度代价（K26-04/K26-05 接手）。
量子门 · 布洛赫球
石台上方浮起一颗半透明的球——布洛赫球。北极标着|0⟩，南极标着|1⟩，赤道是叠加态。诺依曼老祖递给你四枚紫色符文。
诺依曼老祖
「量子门是量子比特的操作符。H门造叠加，X门做翻转，Z门翻相位，CNOT造纠缠。拖一枚到球上，看态矢量怎么转。」
布洛赫球 · 量子门旋转器
3D布洛赫球 → 四门旋转态矢量 → CNOT纠缠 → 测量坍缩
详解 · K26-04 量子计算的物理实现路径：超导/离子阱/光量子/硅量子点
布洛赫球上那颗矢量在实验室里是什么？（Nielsen & Chuang Ch7 的四条主流路线。）超导 transmon（IBM/Google）：约瑟夫森结宏观电路，门操作=微波脉冲，单门 10-50ns，T1/T2 相干 10-100μs，需 10mK 稀释制冷；规模化最好、门保真度最高的公开口径是单比特 99.9%、双比特约 99.5%。离子阱（IonQ/Quantinuum）：囚禁离子+激光拉曼脉冲，相干时间秒-分钟级、双比特保真度可到 99.8%，但门慢（微秒-毫秒）、按离子链扩展难。光量子（Xanadu/PsiQuantum）：室温飞行的光子，传输即运算，但光子几乎不相互作用——两比特门要靠测量诱导（KLM 2001）概率式实现，S5 那个「死穴」在此埋下。硅自旋量子点（Intel）：电子自旋为比特，与 CMOS 工艺同源，相干时间毫秒级（富集 28Si 可更长），扩展潜力在工艺复用。选择矩阵：速度选超导、保真度选离子阱、室温互连选光子、工艺兼容选硅点——没有全能选手，正如台上四枚符文各转各的轴。判断指标只有一个：相干时间/门时间的比值决定你能在退相干之前串多深的线路（K26-05），这也是 S3 之影那句「上千个量子比特」背后的物理门槛。
量子算法 · Shor与Grover
叠加之门后是一座长廊，尽头三座祭坛各浮着一个算法符文。诺依曼老祖："经典算法是一页页翻书找答案，量子算法是同时翻开所有页——但只能看到一页。关键是怎么让正确的那页跳出来。"
冯·诺依曼之影
「√N……有意思。但如果N大到需要上千个量子比特呢？」
量子算法三祭坛 · 加速比对比
排列量子门序列 → 运行算法 → 经典vs量子步数柱状对比
详解 · K26-03 量子算法：Deutsch-Jozsa/Grover/Shor算法原理
加速不是「算得更快」，是「走的路更短」，且只有问题结构匹配时才成立（Nielsen & Chuang Ch5-6）。Deutsch-Jozsa（1992）：判断黑箱函数是常数还是平衡——经典确定算法最坏要 2^(n-1)+1 次查询（必须看过一半加一个输出才能定论），量子 1 次：把函数值编码进相位，常数函数干涉相消、平衡函数相长，台上修复后的 9 vs 1 正是 n=4 的最坏情形。Grover（1996）：无序搜索 N 项找 1 项，量子 O(√N)——N=10^6 时约 1000 步对 10^6 步；Bennett 等 1997 证明黑箱搜索 Ω(√N) 是下界：Grover 已是极限，量子给无结构问题的只有二次加速，不是指数。Shor（1994）：分解 L 位大整数，量子门数 O(L³)，核心是量子傅里叶变换找模幂函数的周期；经典最优的数域筛法（GNFS）是次指数复杂度——RSA-2048 经典不可行、量子小时-天量级，这就是祭坛上「多项式 vs 次指数」那对柱子的含义。指数加速的门票是问题必须藏周期/隐藏子群结构；对 NP 完全问题量子没有已知指数加速（Grover 级别即止）——BQP 与 NP 的关系至今未决。算法在数学里完美，兑付要靠物理：退相干是收银台（见下方 K26-05）。
详解 · K26-05 量子计算的挑战：退相干/纠错/扩展性
布洛赫矢量被环境推向球心的过程就是退相干（Nielsen & Chuang Ch8）：能量弛豫 T1（|1⟩→|0⟩）与相位弥散 T2。超导典型 T2 约 10-100μs、门约 20ns——天然只能串约 10^3-10^4 个门，而 Shor-2048 需要约 10^9 门以上：缺口只能由纠错填平（Ch10）。主流方案是表面码（Fowler et al. 2012）：物理错误率低于阈值 ε_th≈1% 时，逻辑错误率 ε_L≈A·(ε_p/ε_th)^((d+1)/2) 随码距 d 指数下降——代价是每逻辑比特约 d² 个物理比特加实时解码器；工程常用口径 1 逻辑比特≈10^3-10^4 物理比特（S9 之影那句「1000 个物理比特才够 1 个逻辑比特」即此）。里程碑：Google 2023 年演示码距 3→5 逻辑错误率下降、2024 年 Willow（d=7）首次稳定运行在阈值以下；IBM Condor 1121 物理比特（2023）按 1000:1 折算确实只约合 1 个可靠逻辑比特——所以「扩到几千物理比特」不等于「扩到几千逻辑比特」。扩展性还包括布线、制冷与控制电子学的 I/O 瓶颈。结论与 S3 刻痕一致：量子不能独立取代经典——混合架构（S9 第二问正解）就是为这条物理边界而生的。
详解 · K26-06 量子-经典混合计算架构(VQE/QAOA)
退相干刻痕划下之后，量子芯片的真实用法是什么？答案是变分闭环（Peruzzo et al. 2014, Nature Comm.）：VQE 把分子基态求解拆成两半——量子协处理器只做浅层线路：制备含参试探态 |ψ(θ)⟩ 并测量哈密顿期望值 ⟨H⟩（量子擅长纠缠与干涉，线路深度 10^3-10^5 门量级，NISQ 退相干窗口装得下）；经典 CPU/GPU 跑优化器（COBYLA/SPSA）调 θ 下降——量子算，经典想。QAOA（Farhi et al. 2014）同构移植到组合优化：p 层深度换逼近度，p 越大越准也越接近退相干窗口边缘。Preskill 2018 命名的 NISQ 时代（含噪中等规模量子）把全部赌注押在这条混合架构上：错误缓解（ZNE 等）先于纠错上车。两笔代价要记账：barren plateau（McClean et al. 2018）——参数维度大了梯度指数消失，优化器盲走；测量采样开销——化学精度 1.6 mHa（1 kcal/mol）需要大量重复测量。台上第二问正解「量子-经典混合才是出路」的物理出处就在这里：量子不取代经典，量子只接管经典最慢的那一小段。
DNA计算 · 生物之算
祭坛后是一座密室，墙角有一瓶浑浊的液体——DNA溶液，旁边刻着"Adleman 1994"。诺依曼老祖："1994年，Adleman用一瓶DNA解决了哈密顿路径问题——约10^18量级的分子同时反应。它证明了一件事：计算不只在硅上。"
诺依曼老祖
「DNA的碱基互补配对，是天然的并行计算。每个分子编码一条路径，混合后所有路径同时自组装。」
DNA计算 · 哈密顿路径分子自组装
混合DNA溶液 → 分子并行自组装 → 筛选正确路径 → 并行度对比
详解 · K26-07 DNA计算与生物计算的基本原理
Adleman 1994（Science）用一支试管解 7 节点有向哈密顿路径：每个顶点编码为 20nt 寡核苷酸，边设计成「前顶点后半段+后顶点前半段」的互补链——混合退火时 Watson-Crick 配对（A-T/G-C）自动对齐末端，连接酶补成完整路径链。台上「混合→自组装→筛选」三步正是实验流程：PCR 只扩增起点-终点链，磁珠分离按长度筛，再逐次剔除不含中间顶点的链。数字口径要分清：Adleman 每种寡核苷酸 50 pmol ≈ 3×10^13 条，整管约 10^14 量级；台上 10^18 是浓试管容量的通行量级——无论如何，分子并行度比 CPU 的 10^3（台上对比数）高出十几个数量级。但代价清单同样长：退火加酶反应小时级、电泳读出慢、一次编码只解一道题（不可重复编程）、杂交错配与酶误差层层累积——2002 年 Adleman 团队解 20 变量 3-SAT 已需要大量纠错操作。它证明了本幕的哲学命题：计算是物理过程，任何可编码配对的介质都能算。台上排除的也不是 DNA 计算，是「分子并行度=快」这个等号：并行度 10^18 换不来延迟敏感任务的胜利——Trade-off 永远在场。
光子计算 · 光速之途
密室后是一座通体光子青色的塔，内部有光束以不可思议的速度穿梭。诺依曼老祖："电信号有质量、有电阻、有热。光没有。光子计算不是更快的电计算——是另一种物理。"
诺依曼老祖
「光互连用光突破带宽墙，光逻辑用干涉突破功耗墙，MZI阵列用干涉一步完成矩阵乘法。但光子不相互作用——两比特门是它的死穴。」
光子计算实验台 · 互连/逻辑/矩阵
光互连对比 → MZI光逻辑门 → MZI阵列光矩阵乘法 → 非线性瓶颈
详解 · K26-11 光子计算：光互连/光逻辑/光神经网络
台上三个模式对应光的三条路，各有数学分工（半导体手册 ch29 口径）。光互连：硅光子收发把 I/O 从铜的高频趋肤损耗里解放出来——单波 100+ Gbps，数据中心 800G 光模块已量产；光在波导里走 1mm 约 5-10ps，长距光纤损耗 0.2dB/km 远优于铜缆。光逻辑：MZI 干涉仪的分束比 θ 由移相器电压控制——光场经两级干涉后的输出是输入的酉变换，逻辑值藏在相位里；但两比特门需要 χ⁽³⁾ Kerr 非线性让两个光子相互作用，而光子相互作用截面极小（K26-04 里 KLM 2001 方案用测量诱导绕开它，代价是概率式成功）——S5「死穴」与光量子计算是同一物理事实的两面。光神经网络（Shen et al. 2017, Nature Photonics，MIT）：MZI 按 Reck/Clements 格级联可分解任意酉矩阵，向量飞过阵列即完成 y=U(θ,φ)x——线性代数以光速免费搭车。但账要算全：输入输出 DAC/ADC 光电转换每 bit 数 pJ，常吃掉矩阵乘省下的能耗；非线性激活仍靠电子（台上 insight 那句「非线性仍需电子辅助」）。台上排除刻痕的本质：光的线性优势恰好匹配推理负载的矩阵主导——这是 S8「范式匹配」的伏笔，不是光的失败。
存算一体 · 忆阻器
深渊后是一座密室，墙上刻满S0那面冯·诺依曼架构图的碎片——CPU在左、内存在右，中间总线布满裂纹。诺依曼老祖伸手一抹，碎片重组，但这次CPU和内存的边界消失了。密室中央浮着一个十字交叉的网格——忆阻器交叉阵列。
诺依曼老祖
「如果数据不需要搬运呢？如果计算就发生在数据存储的地方？忆阻器阵列——一步完成向量矩阵乘法，零搬运。」
忆阻器阵列 · 存算一体MAC探索器
输入电压向量 → 忆阻器电导×电压 → 位线电流汇聚I=Σ(G×V) → 与冯诺依曼对比
详解 · K26-08 存内计算(Computing in Memory)的物理实现：忆阻器阵列
存算一体是直接修改架构定义而不是调参（Hennessy & Patterson Ch7 DSA 路线的激进分支）。器件：Chua 1971 从电路变量完备性（电阻/电容/电感之外的第四种——磁通与电荷关系的忆阻）理论上预言忆阻器；HP 实验室 2008（Strukov et al., Nature）用 TiO₂ 薄膜氧空位迁移造出实物——S0 时间轴上 2008 那个里程碑就是它。阵列：1T1R 或纯交叉结构，忆阻器电导 G 可编程为多级模拟态且断电保持（非易失）——权重即电导，存储即计算参数，「数据不需要搬运」在器件层面成立。台上 4×4 阵列施压后亮起的 16 个节点，每个都是一台模拟乘法器：I=GV 是欧姆定律，位线电流汇聚是基尔霍夫电流定律——两条大一电路课的定律就是「计算引擎」，不需要取指译码执行。功耗账：冯·诺依曼路径每次 MAC 都要先交搬运税（DRAM 读取 640pJ/次，见 K26-01），CIM 把这笔税归零，工程口径约千倍优势——台上「~1000×」与 insight「功耗降千倍」同源。边界也刻在台上排除痕里：电导漂移、导线 IR 压降、ADC 量化把有效精度限制在 3-8 位；写入慢且耐久性 10^6-10^9 次——权重固定的推理是它的主场，训练不是。
详解 · K26-09 忆阻器交叉阵列的向量矩阵乘法实现
把台上的交互翻译成数学：施加电压向量 [1.0,0.8,0.5,0.3]V 后，每条位线电流 I_j=Σ_i G_ij×V_i——一次物理动作完成整列内积，乘法由欧姆定律、求和由基尔霍夫电流定律自动完成，MAC 时间复杂度 O(1)（真实延迟受导线 RC 限制，ns 级）。这不是画布的巧合：JS 里那句 I += G[r][c]×V[r] 逐点复现的就是 KCL——台上读数与物理公式一一对应。规模口径：一个 128×128 阵列一步 16384 个 MAC；ISCA 2016 前后的标杆设计（ISAAC/PRIME）全系统能效数百 GOPS/W 量级，比同代 GPU 高约一个数量级；卷积与全连接层按窗口/行复用映射进阵列。误差工程才是真战场：电导随机涨落 σ_G/G 约 1-5% 需写入校验+读出平均；ADC 占系统能耗六到八成是第一大头；模拟结果不可位级复现——数字范式的可重现性在此让位于能效（K26-13 的硬件端伏笔）。Trade-off 一句话：模拟一步 vs 数字精确——台上那行「I=Σ(G×V)·基尔霍夫电流定律自动完成」是本章最短的一行公式，也是八十年来冯·诺依曼路径从未走过的那条岔路的路标。
神经形态 · 类脑之形
密室后是一座通体脉冲橙色的塔，表面有无数闪烁的节点像神经元在放电。诺依曼老祖："人脑860亿神经元，功耗20瓦——靠的是脉冲：不发声就不耗能，只在需要时放电。GPU不管有没有数据都在全功率运转。"
诺依曼老祖
「事件驱动 vs 时钟驱动——这是神经形态与冯·诺依曼的根本区别。Intel Loihi 0.5W，做同样任务GPU要300W。」
SNN脉冲神经网络 · 事件驱动能效对比
构建LIF神经元 → 输入事件脉冲 → 稀疏发放 → 能效对比
详解 · K26-10 神经形态计算：脉冲神经网络(SNN)硬件
神经形态的思想账本从 Mead 1990（Proc. IEEE）开始记：用电路模拟神经元的物理，而不是用数字电路模拟神经元的数学（半导体手册 ch28）。核心单元 LIF（漏积分-发放）：膜电位积累输入、按时间常数泄漏、过阈值发放脉冲并复位——台上 9 个神经元的 +0.4 充电、×0.9-0.92 泄漏、阈值 1.0，正是这个微分方程的离散化。事件驱动是它与冯·诺依曼的分水岭：无脉冲=无计算=无功耗；GPU 则时钟一响全阵列翻牌，不管有没有数据。数字口径：人脑 860 亿神经元、约 10^14-10^15 突触，功耗 20W（台上铭文）——能效比超算高约五个数量级；Intel Loihi（Davies et al. 2018, IEEE Micro）128 核、单芯片可仿真约 13 万神经元，台上那句 0.5W vs GPU 300W 即 600× 的出处；2021 年 Loihi 2 与 Lava 软件框架续作。STDP（脉冲时序依赖可塑性）：前后脉冲时差 Δt 为正则增强突触、为负则削弱——Hebb 学习的硬件化，权重更新在脉冲到达时本地完成，不需要全局反向传播。主战场是稀疏时序信号：DVS 事件相机每像素异步上报亮度变化（不是全帧刷新）——机器人、雷达、传感器前端的天然负载。排除刻痕照旧成立：密集同步矩阵（CNN/Transformer 训练）仍属 GPU/TPU 领地——台上那道「SNN适合稀疏事件，不适合密集矩阵」就是 K26-12 匹配论的又一实证。
可重构计算 · FPGA之柔
双塔后是一座天平殿，殿中悬着三块灵牌：可重构、近似、边缘。诺依曼老祖："你见了量子、存算一体、神经形态、光子——都在突破冯·诺依曼的某个维度。但有三种范式，不追求突破极限，追求'够用'。它们教你一件事：最优不存在，只有最匹配。"
诺依曼老祖
「FPGA不是最快的，但它是最灵活的——在算法不确定的世界里，灵活比快速更值钱。把'范式匹配'四个字补到架构图最后一道裂缝上。」
硬件选择器 · 范式匹配天平
点选CPU/ASIC/FPGA → 点任务场景完成匹配 → 架构之伤完全愈合
详解 · K26-12 可重构计算：FPGA作为计算平台
FPGA 的本质是「电路即数据」：LUT（查找表）+ 触发器 + 可编程互连，一片比特流把这三样重连成任意数字电路——RTL 综合、布局布线、生成比特流，小时级 turnaround（台上「几小时重配置」）。与 CPU/ASIC 的三角权衡（Hennessy & Patterson Ch4）：CPU 通用，但每条指令都要取指译码，每次访存都在交 K26-01 的搬运税；ASIC 专用能效约百倍于 CPU，但流片 12-18 个月 + NRE 千万美元级，算法一变即成废铁；FPGA 重配置几小时、能效约 10-100× 于同代 CPU、落后 ASIC 约一个数量级（功耗口径），代价是面积开销约 20-35 倍（Kuon & Rose 2006 口径：同样功能要更多晶体管）。台上天平殿三块灵牌的物理分量就在这三个数里。确定性延迟是隐藏王牌：FPGA 的纳秒级固定延迟 vs CPU 微秒级调度抖动——华尔街下单、5G 基站 L1 物理层、星链终端、芯片流片前的原型验证（接 ch06 HDL 一脉）都靠它；云端 AWS F1 等把 FPGA 直接租成加速器。台上「算法原型验证→FPGA」的判据「算法不确定」就是全部经济学：当流片成本摊不平算法迭代风险时，灵活比快速更值钱——S9 第三问「没有终极架构」在此第一次具象化：范式选择的自由度，本身就是一种性能。
详解 · K26-13 近似计算(Approximate Computing)的哲学
近似计算的第一性问题：精确是谁的需求？感知、多媒体、机器学习负载对误差天然容忍——学界在 2010 年代把它正名为 approximate computing（综述：Han & Orshansky, ETS 2013）：不是降级的精确，是按需求定制的精确。层级工具箱：电路级近似加法器（截断进位链，误差<5% 换约半数功耗）与降压运行（undervolting，动态功耗 P∝V²，电压低于标称即省）；架构级可变精度 SIMD；算法级低位宽——INT8/INT4/BF16 量化在推理侧拿到 4-30× 能效（TPU v1 的 8-bit 脉动阵列正是这哲学的量产形态，接 ch24）；跨层精度旋钮共同构成质量-能效的帕累托前沿。它与 S0 那五堵墙的关系最特别——它不撞墙，它绕着走：功耗墙对它只是「把精度调低一格」的旋钮。边界同样清晰：误差预算必须在系统层可核算——数值不稳定的迭代、安全关键控制（ch25 形式证道的领地）、拜占庭容错（ch21）都是近似禁区。台上「近似」灵牌与 S6 的 3-8 位 ADC、S5 的模拟光场同根同源：物理世界本来就是模拟与近似的，位级精确才是人类发明的奢侈品——本章最深的反转是：奢侈的不一定总是必要。
详解 · K26-14 边缘计算与物联网计算架构
边缘计算的第一性动机不是更快，是更近：数据源头在传感器，答案要在本地用。延迟账：云往返 50-200ms vs 边缘节点 1-10ms——车规 L4 决策链要求本地毫秒级响应，物理上不允许把感知送到云再等回复。带宽账：一路 1080p 摄像头约 4Mbps，百万路就是 4Tbps——全量上传不可行，在源头滤掉 99% 无用帧再传摘要，是唯一的架构解。第三驱动力是隐私与断网生存：原始数据不出设备，模型就地推理。落地形态是端-边-云协同：TinyML（ARM CMSIS-NN，KB 级模型）让关键词唤醒跑在 mW 级 Cortex-M 上；边缘网关聚合推理；云负责训练与大模型——训练/推理的地理分工（接 AI 册推理优化一章）。全球口径 2025 年约 150-200 亿台联网设备，绝大多数没有云端带宽的奢侈。边缘的资源紧约束反过来催生整套「压缩学」：量化（K26-13）、剪枝、知识蒸馏——大模型在云端大、小模型在边缘活，两者不是竞争是生态位分化。台上「边缘」灵牌因此与另外两块同席：可重构、近似、边缘都信奉「够用」——计算范式的选择从来不只是技术问题，是「计算在哪里发生」的地缘问题；S10 远眺的那座 AI 山，最后一公里就在边缘。
Boss 战 · 冯·诺依曼之影
殿门关上。蓝灰光壁从四面八方压过来，凝成一个巨大的人形——它的身体由无数条存算分离的数据流构成，数据流在CPU与内存之间永无止境地往返。它没有脸，但声音从每一条数据流中渗出，像八十年间所有芯片同时低鸣。
冯·诺依曼之影
「我是冯·诺依曼之影。我不住在你的无知里——我住在'冯·诺依曼架构就是计算的终极形态'的信念里。三问。答错一题，影壁厚一分。让我看看你这趟范式之巅，是走明白了，还是逛明白了。」
影账累计 0 笔 · 三问全对后清零
终章 · 全书知识图谱点亮
影壁散尽时天光大亮，你手里的本命架构图微微发光——不是它变了，是你变了。图上那道从S0裂到S8的伤口，如今愈合为一条金色纹路，像一枚范式飞升的印章。诺依曼老祖站在你面前，逆着光。
诺依曼老祖
「二十六章。你从0和1走进天机门，从范式飞升走出去。我给了你们存算分离的秩序——但秩序不是终结。真正的老师，是教学生超越自己。」
全书知识图谱点亮 · 范式飞升
点亮全章15块碎片 → 拉远回顾全册26章 → 境界突破 → 跨册远眺AI山影
详解 · K26-15 计算范式的未来展望：融合与统一
图谱中心的 K-15 节点为什么是融合？因为本章每一步排除都在收敛到同一个结论（Hennessy & Patterson Ch1 的 DSA 论断是教材锚点）：Amdahl 定律的架构推论——加速只作用于可加速部分，所以任何范式只在其匹配的问题类上最优，「通吃」在数学上就不存在。融合的具体形态：CPU 管控制流、GPU 管吞吐、NPU 管张量、QPU 做变分协处理（K26-06）、忆阻器阵列管存内矩阵（K26-08/09）、SNN 管事件流（K26-10）、光互连管 I/O（K26-11）——异构集成在 chiplet、3D 堆叠与 UCIe 互连标准上成为工艺现实；Apple M 系列性能核+能效核的大小核策略是这个哲学的消费级日常。软件层的统一任务是「范式调度」：编译器与 runtime 把每个算子路由到最匹配的硬件——ch18 编译原理在这里回收，MLIR 等编译基础设施正为此而生。台上图谱点亮的顺序就是本章的论证链：14 枚碎片点亮成环，中心 K-15 融合节点最后爆发——碎片之间不是取代关系，是互补星座。S9 第三问正解「问题特性决定最优范式，融合与统一」即此节点的知识本体。跨册出口也挂在这里：量子→量子机器学习、神经形态→类脑 AI（大纲衔接点，AI 册 AI 硬件章回收异构计算）——下一座山的山脚，正是这一章的山顶。
复盘 · 范式飞升主线：从一堵墙到没有终极形态
主线：S0 五大热区全是同一堵墙（存算分离）→ S1 叠加：2^n 状态空间，Holevo 界收门票 → S2 量子门：酉旋转 H·H=I，纠缠关联但不可传信 → S3 三算法：加速依赖问题结构，退相干刻痕落下 → S4 DNA：换介质，分子并行度 10^18 对延迟小时级 → S5 光子：线性完美、非线性死穴 → S6 忆阻器：KCL 当 ALU，架构之伤愈合第一道 → S7 SNN：事件驱动，0.5W 对 300W 的 600× → S8 三灵牌：可重构/近似/边缘，「够用」的智慧 → S9 三问收网 → S10 图谱点亮。五道排除刻痕排除的都不是范式，是「通吃」这个念头：量子独立（S3）、光子通吃（S5）、存算一体通吃（S6）、SNN 通吃（S7）、一种范式通吃（S8）。三个 trade-off 贯穿全程：通用 vs 专用（CPU/ASIC/FPGA 天平）、精确 vs 能效（近似计算与 3-8 位 ADC）、并行度 vs 延迟（DNA 与量子）。终点命题与 ch01 首尾呼应：数字契约承诺 0 和 1 的确定，范式飞升承认没有确定的终极形态——只有问题，和匹配问题的范式。架构之伤从 S0 裂到 S8，最后愈合的不是墙，是「一堵墙解决所有问题」的执念。