写在前面
如果你正在做嵌入式AI部署，一定对这句话深有体会：算力永远不够，功耗永远太高，模型永远太大。
一个经典的 3×3 卷积层，每输出一个像素就需要执行 9 次乘法和 8 次加法。当你的网络有几百层、每层有几百个通道时，乘法的总次数会迅速膨胀到数十亿次。而对于单片机、FPGA、IoT传感器节点这类低算力平台来说，这种计算量完全不可承受——别说实时推理，连模型本身都放不进去。
乘法的能耗远高于加法。根据IEEE电路与系统协会发布的数据，一次INT32乘法所需的能量大约是加法的3-9倍。换句话说，神经网络推理中的大部分能量，都烧在了乘法上。
那么，一个看似“天真”却极其深刻的问题来了：神经网络真的需要乘法吗？
这个问题促使研究者们提出了一系列“免乘法”（Multiplication-Free）网络架构。其中，AdderNet（加法神经网络）是最具颠覆性的方向之一——它用 L1 距离（即绝对值差之和）直接替代卷积中的内积运算，把乘法全部换成加法和减法。这个大胆的想法提出于CVPR 2020 Oral论文，由华为诺亚方舟实验室与北京大学联合发表，至今已在学术和工业界引发持续关注。
进入2025年，AdderNet领域迎来了新一轮爆发：AdderNet 2.0加速器、基于STT-MRAM的存内计算方案、ShiftAddNet流水线FPGA实现、Ghost-AdderNet轻量化变体等成果密集发布。这些工作不仅解决了原始AdderNet在硬件效率上的瓶颈，更标志着加法神经网络正在从“学术概念”走
