模拟计算机是一类设备，其中物理量如电压、机械运动或流体压力被表示为与问题中相应数量相似的量。
这是一个模拟计算机的简单示例。
如果我们按一定量转动黑色和白色的轮子，灰色的轮子显示两个旋转的总和。
最早的模拟计算机之一是公元前100-200年左右建造的安提基瑟拉机械。它由一系列相互连接的青铜齿轮组成，某些指针的运动类似于太阳和月亮的运动。它还能够提前几十年预测日食。
模拟计算机的优点和缺点
要添加两个八位数，需要大约50个晶体管。然而，使用模拟计算机，我们只需将两根电线连接起来即可相加两个电流。同样，要乘以两个数，我们需要1000多个晶体管。相反，我们可以通过电阻（R-欧姆）通过电流（I安培），线两端的电势差将是I*R，即两个数的乘积。
模拟计算机功能强大、快速且能源高效。然而，数字计算机取代了它们，因为它们是单用途的且不准确，而且由于输入是连续的，很难完全重复过程。
模拟计算机与人工智能
在人工智能中，模拟计算机用于各种任务，包括模式识别、决策和控制。例如，它们被用于训练神经网络，这是受人脑结构和功能启发的机器学习模型。模拟计算机还用于实现基于规则的人工智能系统，这些系统使用特定规则进行决策或采取行动。
尽管在过去广泛使用，但模拟计算机在人工智能和机器学习中已不再常见，这主要是由于数字计算机的出现。数字计算机比模拟计算机更快速、可靠，可以存储和处理更大量的数据。此外，数字计算机更易于编程和维护，这使其成为大多数人工智能和机器学习应用的首选。
模拟计算机在人工智能中的应用增加
在机器学习和人工智能应用中，使用更大的神经网络的趋势越来越明显。这一趋势是由于需要在日益复杂的任务上提高性能，以及更多的数据、硬件和算法来支持更大网络的训练。然而，这种增加的需求也带来了一些挑战。
- 训练一个大型神经网络需要的能量相当于三个家庭一年的平均消耗量。
- 现代计算机将数据存储在内存中，并根据需要访问。但是当神经网络需要大规模矩阵乘法时，大部分能量用于获取权重的值，而不是执行计算。
- 根据摩尔定律，芯片上的晶体管数量传统上每两年翻一番。然而，我们现在正接近晶体管的尺寸接近原子尺寸的点，这对进一步微型化带来了重大的物理挑战。
随着数字计算机接近其极限，神经网络在矩阵乘法上的广泛应用使其受到了广泛关注。此外，神经网络不要求数字计算机进行精确计算，对于将图像分类为狗的置信度达到98%或95%即可。这些因素为模拟计算机在人工智能领域扮演更重要的角色提供了绝佳机会。
案例研究： Mythic AI
Mythic AI 是一家模拟计算初创公司，致力于创建用于运行神经网络的模拟芯片。不同的人工智能算法，如动作检测、深度估计、对象分类等，都在模拟领域中运行。
Mythic修改了数字闪存单元，使其能够实现这一点。这些单元通常用于存储内存，可以存储1或0。将正电压应用于控制栅，电子将穿过绝缘层并被困在浮动栅上。然后可以去除电压，电子将长时间保持在浮动栅上，阻止电流通过该单元。
通过施加小电压可以确定存储的值。如果浮动栅上有电子，表示为0，不会有电流流动。如果没有电子，电流将流动，表示为1。
Mythic的想法是将这些单元用作可变电阻器，而不是开关。他们通过在每个浮动栅上放置特定数量的电子来实现这一点，而不是全有或全无。电子数量越多，通道的电阻越高。当施加小电压时，流动的电流等于电压除以电阻。但您也可以将其视为电压乘以传导度，其中传导度只是电阻的倒数。因此，单个闪存单元可以用于将两个值相乘，即电压乘以传导度。
为了使用它来运行人工神经网络，首先将所有权重作为每个单元的传导度写入闪存单元。然后，将激活值作为单元上的电压输入。所得的电流是电压乘以传导度的乘积，即激活乘以权重。将单元连接在一起，使得每个乘法的电流相加，完成矩阵乘法。
他们的芯片每秒可以执行250万亿次数学运算，而只使用3瓦的功率。相反，新的数字系统每秒可以执行20-100万亿次数学运算，但它们价格昂贵（数千美元），并消耗50-100瓦的功率。
有人建议在智能家居音箱中利用模拟电路来检测“Alexa”或“Siri”等唤醒词。这种方法需要更少的功率，并可以快速可靠地激活设备中的数字电路。
总而言之，模拟计算机能否像数字计算机一样普及尚不确定。然而，它们更适合执行我们希望计算机执行的各种当前任务，也许我们可以通过模拟的力量使机器实现真正的智能。