IBM一直在研究重塑人工智能計算方式的方法。 IBM研究員發表了一篇論文，介紹了將模擬計算用于人工智能（AI）的突破。

在構建人工智能系統的時候，需要對數據模型進行訓練。就是對訓練數據的不同子集賦予不同的權重，例如描述貓不同特征的圖像數據。

在傳統（數字）計算機上訓練人工智能系統時，人工智能模型分散存儲在內存中。計算任務需要在內存和處理單元之間不斷傳遞數據。IBM 表示，這一過程會減慢計算速度，并限制能夠實現的能效上限。

將模擬計算用于人工智能，可能會提供一種更有效的方法，實現同數字計算機上運行的人工智能相同的結果。IBM將模擬內存計算或模擬人工智能定義為一種借鑒生物大腦神經網絡運行方式關鍵特征的技術。研究人員表示，在人類和許多其他動物的大腦中，突觸的強度（稱為權重）決定了神經元之間的通信。

IBM表示，在模擬人工智能系統中，這些突觸權重被就地存儲在相變存儲器（PCM）之類的納米級電阻存儲器件的電導值中。然后，它們在深度神經網絡中被用于進行累積乘法運算。

IBM表示，這項技術可以減少在存儲器和處理器之間不斷發送數據的需求。

在發表于《自然-電子學》（Nature Electronics）的一篇論文中，IBM研究院介紹了一種混合信號模擬人工智能芯片，可運行各種深度神經網絡（DNN）推理任務。據IBM 稱，這是首款在測試中執行計算機視覺AI任務方面與數字芯片不相上下的模擬芯片，而且能效比后者更高。

該芯片是在IBM的奧爾巴尼納米技術中心制造的。它由64個模擬內存計算內核（或芯片）組成，每個內核包含一個256 x 256的突觸單元交叉陣列。IBM表示，每個芯片中都集成了基于時間的模數轉換器，用于在模擬數據和數字數據之間轉換。每個芯片還集成了輕量級數字處理單元，IBM 稱這些處理單元可執行非線性神經元激活功能和縮放操作。

IBM表示，每塊芯片都可以執行一層DNN模型相關的計算。論文作者表示：“利用該芯片，我們對模擬內存計算的計算精度進行了最全面的研究，并在CIFAR-10圖像數據集上實現了92.81%的精確度。”