这是投稿至 IEEE Spectrum 的一篇文章，原文作者 Shahin Farshchi，Lux Capital 投资合伙人，文章观点仅代表原作者本人。
每当谈到新技术和新产品时，我们往往会将“数字（digital）”看作是先进、现代和高清的代名词，而“模拟（analog）”则被认为是倒退的、落后的和低分辨率的。
但如果你认为模拟已死，那你可就错了。模拟处理（analog processing）不仅仍然处在许多我们所依赖的重要系统的核心位置，它现在也扩张到了计算和智能系统的一个新的分支领域：人工智能和机器人。
在讨论即将到来的模拟复兴——以及人工智能和机器人应用上的工程师和创新者为什么应该密切关注它——之前，我们先来了解一下过去的模拟时代（Old Analog Age）的重大意义和遗产。
我们对模拟的爱
在第二次世界大战期间，模拟电路在世界上最早的防空火力控制系统中发挥了关键的作用，而在随后的几十年中，模拟计算机变成了计算火箭和太空船的飞行轨道的关键工具。
模拟在飞行器、船舶和发电站所使用的控制和通信系统中也变得非常普遍，而且其中一些系统至今仍在运作。直到不久之前，模拟电路都还控制着我们大部分的电信基础设施（还记得旋转拨号吗？），而且它们甚至还统治过办公室的复印室——早期的复印机不需要处理任何数字比特就能复制图像。
我们对模拟的爱持续了很长一段时间，因为事实一遍又一遍地证明了这种技术是准确的、简单的和快速的。它们控制过我们的火箭、驾驶过我们的轮船、记录和播放过我们的音乐和视频，并将我们彼此连接在了一起，这样一直持续了数十年。然后，到 20 世纪 60 年代中后期开始，数字出现了，并在许多领域快速取代了模拟。
人们引入了反馈式化油器作为一个控制尾气排放的功能来更高效地混合燃料。它们非常复杂、脆弱、不可靠，很快就被电子燃料喷射系统取代了，这种系统可以以数字的方式计算空气和燃料的混合以控制排放。这一类的精密控制系统再回到模拟方式已经不太可能了。但是，运行于它们之上的智能系统——比如汽车上的自动驾驶人工智能——则可能将运行在模拟计算机和神经形态计算机（neuromorphic computers）之上。
数字领域
为什么模拟被数字取代了呢？模拟最大的短板是它是刚性的（rigid），如果你想将它做得更灵活一点，那么其复杂度就会大大增加。更大的复杂度导致可靠性不成比例地变得更加糟糕，所以工程师开始注意到摩尔定律正在使得密集的计算变得非常可靠和便宜。
与此同时，MEMS 和微加工技术也成功商业化了可以捕获物理信号并将其转换成数字信号的传感器。不久之后，随着逻辑门像摩尔定律预言的那样变得非常便宜了之后，运算放大器就被抛弃了，设计者们进一步推动了数字化的发展。
在今天的消费电子世界，模拟仅在人机接口上有所使用——用于获取或产生声音、图像和其它感官信号。在更大型的系统中，模拟也被用于转动车轮和控制机器的方向，从而让这些机器可以载着我们在模拟的世界里运动。但对于其它大部分电子应用而言，工程师都在尽可能地将信号倒腾到数字领域。这种做法的结果是：数字逻辑的优点——廉价、高速、稳健、灵活——让工程师对模拟处理几乎过敏了。
现在，经过了很长时间的蛰伏之后，模拟正如 Carver Mead 所预言的那样开始重新归来。
“与传统系统相比，大规模自适应模拟系统（large-scale adaptive analog system）在组件退化和故障上更为稳健，而且它们所需的功耗也远远更低，”加州理工学院教授和微电子学先驱 Mead 在1990 年的一篇开创性的 IEEE 论文《Neuromorphic Electronic Systems》中写道，“因为这个原因，预计自适应模拟技术将能够利用晶圆级硅制造的全部潜力。”
模拟计算让人想起大而笨重的机器，而数字计算则被看作是智能的时尚的。但是现在却出现了一股可能会复兴神经形态计算和模拟计算概念的新兴的人工智能应用浪潮。比起我们的电脑和智能手机的处理器的计算方式，未来的机器人管家可能能以更近似于我们人脑中的肉体计算机的方式进行“思考”。
人工智能喜欢模拟
硬件工程师常常将模拟看作是与物理世界交互必须要应对的恶魔。但事实证明：人工智能和深度学习似乎更适合模拟和神经形态计算平台。
我的公司 Lux Capital 投资了 Nervana，一家开发可以本地运行卷积神经网络以加速深度学习算法的 ASIC 的公司。尽管其数学运算在数字领域完成，但其整个系统却在很高的层面上模拟了人类大脑。
这种方法非常适合在云上训练人工智能，而在不接线的机器人这样的移动设备上训练还是能耗太高了。不管怎样，Nervana 预期的性能提升确实非常吸引人，以至于英特尔赶紧收购了这家公司。
来自大自然的灵感
让几乎每个人（甚至儿童）涂鸦一张机器人的图片，你都有可能会得到一张类似《The Jetsons》中 Rosie 或《星球大战》中 C-3PO 的画像。这并不奇怪——这种机器人形象已经在科幻的书籍、电视和电影上出现了几十年。但最近以来，机器人是什么或机器人看起来是什么样的的想法出现了进化。叫一个千禧一代举一个机器人的例子，你可能会得到 Roomba、Amazon Echo 或甚至 Siri 这样的答案。
图片：左边：Bender、C-3PO、Rosie；右边：大疆无人机、谷歌汽车、亚马逊 Echo、亚马逊机器人、iRobot
科学幻想向我们描绘了一个充满了类似 C-3PO 和 Rosie 这样的人形机器人的未来。但我们今天所拥有的机器人却非常不同。它们都是为特定的任务所设计的机器，比如自动吸尘器、摄像无人机和声控助手。模拟的感知和计算系统可以显著地提升今天的机器人和人工智能的能力，让它们更快、更小、能耗更小。它们可能不会成为我们的 Rosie，但它们将成为我们从未预见过的机器人应用。
我们的生活中将出现越来越多的更智能、更自动化的机器和其它可以运动的系统——从恒温器到汽车。这些系统需要小型的、便携式的和低功耗的计算机，它们需要具备超级的响应能力并随时保持警惕；这对于今天的计算系统而言是一项艰巨的要求——今天的系统通常需要相当可观的功耗（除非它们待机），并且还需要云连接来执行有用的功能。这就是模拟的用武之地。
受到大自然的启发，科学家已经实验了模拟电路来更好地看见和听到，同时功耗仅有原本的几分之一。得到了 DARPA 的 SyNAPSE 和美国海军研究办公室资助的斯坦福大学 Brains in Silicon 项目和密歇根大学 IC 实验室都正在开发能使构建模拟神经形态系统更简单的工具。他们没有尝试在标准的数字电路上运行深度网络，而是从我们的模拟的大脑中获得了灵感，设计了能够以远远更低的功耗执行类似的计算的模拟系统。
噪声不是问题
为什么现在要转向模拟？答案很简单：我们目前正处在一个独特的十字路口，在这里我们想要实现的神经网络更适合于模拟的设计，尽管这种类型的人工智能的要求还需要我们的探索。
传统的硬编码的算法仅在计算本身是准确的和精确的的时候才能发挥作用。如果运行传统的硬编码的算法的电路不是精确的，那么误差就会在它们在系统中传播的过程中失去控制。对于神经网络却不是这样，神经网络的内在状态不需要精确，系统可以适应给定的输入以得出预期的结果。事实上，我们的大脑就是一个有大量噪声但是工作良好的系统。工程师正在了解他们也可以使用充满噪声的模拟方法在硅上实现深度网络——能有 100 多倍的能量节省。
这种影响是非常大的。想象一种未来的可穿戴设备或类似 Amazon Echo 的助手可以几乎不消耗能量地工作——或者甚至能从环境中收集能量——就不再需要电线或电池了。或者想象有一种不需要云连接就能很聪明的设备——它能在没有 WiFi 或蜂窝信号覆盖的地方智能地工作。这些都只是一个开始，预计在不远的将来，还将有很多很多惊人的人工智能和机器人产品涌现出来——这都要感谢模拟。
