事实上，我们现在的“神经网络”是用简单的数学公式模拟“神经元”（和它们之间的连接），然后堆海量的简单计算单元提供海量的算力来完成计算。
我们可以把一组运放串起来，利用阻值模拟神经元对某个连接的衰减程度；然后输入信号，它的输出就会按这些信号的总影响而变动了。
学过点电路的都知道，其实单个三极管/场效应管都可以等效为一个运放。只是它的伏安特性曲线不太理想罢了（不像运放，几乎是直线）：
剩下要解决的问题就是如何动态的控制接入电阻了。这其实可以利用场效应管（类似SSD存储单元）的特性，通过在基区存储的电荷量控制它的导通状态……
假设100个晶体管可以模拟一个神经元（以及50个连接），那么500亿的集成度就相当于50亿个参数的神经网络。和GPU模拟几十亿参数需要在热烘烘的风扇声中运转许久不同，这个东西可以在几个纳秒内完成一次计算！
当然，和数字电路能达到的精度相比，模拟集成电路的精度一直是个严重的、难以解决的问题。比如QLC的SSD，一共才2^4=16个状态，速度、寿命已经大受影响了。
另一方面，我们的人工神经网络本身也还远未成熟，整体架构一直在变化、调整中；训练模型也需要随时观察、调整，以避免训练走入死胡同。而直接用晶体管模拟神经元会锁死网络架构，除非有人想办法改良了基础结构……
比如，上面的纯模拟方案可以看作牺牲规模换速度；但实际上，或许几个纳秒出结果并不重要，规模更重要——那么，是否可以“以晶体管/运放为模拟CPU”，辅以AD-DA转换电路以及数字锁存器，从而在一颗芯片上集成几百万甚至几千万、几亿个“模拟CPU核心”（而不是堆叠海量晶体管做ALU），从而更高效的支持神经网络计算呢？
总之，想要真的做出来，这个东西需要克服的技术困难还非常非常多。尤其是，过去人类只大力发展了能大量出货、赚钱的数字集成电路，模拟电路发展不大，集成度一直不高；想要实现“模拟电子脑”，显然还有很长的路要走。
当然，上面只是我个人的胡乱猜测，或许压根没什么可能性。外行胡扯而已，或许只有火箭烧水洗煤水准……
总之，如今我们用GPU跑AI，并不是因为GPU就是最终极、最适合AI的设计方案，而是它足够灵活、是如今能得到的最便宜最强大的算力芯片而已。
在AI的研究、探索阶段，利用已有软硬件基础设施，尝试尽可能多的方向，这是更重要的。当这个领域发展成熟后，一定会有更优化、更直接、更强大、更高效的专用芯片方案，彻底解决AI的规模难题和功耗难题。
