模拟计算在诞生计算机的时候就已经有了，但是随着数字计算的出现已经渐渐淡出了程序员们的视线。但是近日来自中国科学院理论物理研究所的张盼团队在《科学》杂志上发表论文，展示了用传统超级计算机击败谷歌量子计算机Sycamore的过程。此前，谷歌声称传统的超级计算机需要10000年才能完成计算任务，而谷歌量子计算机可以在200秒内完成。中国科学院张盼团队认为，通过优化传统的超级计算机，可以在更短的时间内完成这项计算任务。具体来说，他们使用了“经典算法张量网络”和512个GPU计算集群来模拟量子计算。结果，他们跑出了比量子计算更好的数据。
这个研究的具体实施我就不说了。这项研究提醒我们，虽然人类已经拥有了量子计算、光子计算等更先进的工具，但我们不能放弃对传统计算方法的不断迭代和优化，这是有很大潜力可以挖掘的。
现在的普通计算机都是用数字计算，而模拟计算被认为是一种落后的技术。在未来，模拟计算很可能卷土重来，再次占据领先地位。
模拟计算是在第一个集成电路中使用的。后来为了做大规模集成，需要把模拟信号抽象成数字信号进行逻辑运算和编程，数字计算就出现了。今天，可以说数字计算占据了绝对的优势。无论是手机、电脑还是云计算的服务器，大部分计算设备都使用数字计算芯片，模拟芯片只是在某些特定领域对数字芯片的补充。
然而现在，数字芯片面临着一个大麻烦。与传统计算机程序相比，人工智能算法对计算能力的需求激增，动辄要加、减、乘、除数百亿个参数。甚至一些简单的语音识别算法也要放在云计算中心才能高效运行。这就是为什么现在的一些智能语音助手在网络不好的时候“听不懂”你说的话。换句话说，面对同样的任务，人脑可以低功耗高效率的运行，而数字芯片需要大量的功率才能完成。
与数字计算相比，模拟计算更接近人脑的运行模式，更适合人工智能算法。例如，最近，麻省理工学院的科学家发明了一种新的模拟计算单元，叫做“可编程电阻”，可以在芯片上直接模拟人脑的突触。他们认为，未来这种用于模拟计算的“可编程电阻”将取代用于数字计算的晶体管，成为人工智能算法的计算基础。
这里就不得不解释一下模拟计算和数字计算的区别。
模拟信号是连续的，例如显示电路中的电流，模拟信号可以直接显示0.4、0.5、0.6等；而数字信号是二进制的，所有大于等于0.5的电流都表示为1，所有小于0.5的电流都表示为0。如果0.4、0.5和0.6的电流数必须用数字信号表示，那么晶体管数必须增加。况且模拟计算是非确定性逻辑，数字计算是确定性逻辑。加法需要专门的加法器，乘法需要专门的乘法器，这又增加了晶体管的数量。
此外，需要相应的控制设备来控制这些算法的读取和执行。这些因素决定了人工智能常用的神经网络算法，即使只计算两个神经元之间的连接，也至少要用上百个晶体管才能完成。
模拟计算不一样。仿真不是将神经网络抽象成二进制数据和计算指令，而是直接利用物理结构来创建一个模拟的神经细胞突触。比如上面提到的“可编程电阻”就是用来计算两个神经元之间的连接。只要把它的阻值调整到你想要的参数值，神经元连接的设置就完成了。然后在电阻的一端加载电压表示的数据，再读取另一端的电压数据，运算完成。
数字计算是对物理世界进行抽象和逻辑拆解，将一个任务切割成无数个标准化的小单元来完成；而仿真计算不需要抽象和拆解，只需要模仿和还原一个真实的物理结构，用相对较少的单元就可以完成任务。
数字计算的优点是通用性强，缺点是占用大量底层硬件资源。模拟计算正好相反，优点是可以节省大量的硬件资源，缺点是计算的通用性差，因为每个物理结构都是特定的，互不相同。
另外，数字计算的精度很高，但容错能力很低；而模拟计算正好相反，计算没有那么精确，但有一定的容错能力。在数值计算中，如果一个64位二进制数据中的一位意外地从0变为1，那么整个数值很可能会大不相同。如果一条指令语句的某个位从0跳到1，就可能直接从加法变成乘法，这对运算的结果也是毁灭性的。
而模拟计算不是这种情况，在“可编程电阻”方面，即使电阻稍微大一点或者小一点，问题也不是很大，运算的结果基本准确。这一条就像人的神经系统:如果你有一天睡眠不好，你大脑中突触的敏感度可能也会有一些起伏，但整个人仍然可以思考，不会出现毁灭性的大脑停机。
由于模拟计算的这些特点，即使人类不知道‘智能’是如何工作的，也完全有可能构造‘智能’，这就是模拟计算的魅力所在。”
现在，模拟计算已经诞生了一个非常火热的研究方向，叫做“类脑计算”，“类脑”就是类比大脑。科学家们正在努力寻找最适合模拟突触的物理装置，麻省理工这次研发的可编程电阻就是研究成果之一。
他们使用一种特殊的玻璃材料来模拟真实的突触，不仅使用寿命长，而且反应速度非常快，可以达到纳秒级。一般生物的突触反应时间都在毫秒级别，相差百万倍。换句话说，如果未来用这个“可编程电阻”1:1模拟一个人的大脑，这个芯片的“思维能力”将相当于一百万人。届时，哲学家们想象的“罐子里的大脑”可能真的可以实现了。
,
