アナログコンピューティングの信じられないゾンビ復活

古い技術は一度死んでしまえば、たいていはそのままです。回転式電話や加算器が忘却の淵から這い戻るとは誰も期待していません。フロッピーディスク、VHSテープ、ブラウン管――それらは安らかに眠りにつくでしょう。同様に、古いアナログコンピュータがデータセンターで見られることも当分ないでしょう。それらは怪物でした。プログラミングが難しく、メンテナンス費用が高く、精度にも限界がありました。

そう思っていたのですが、ある時、こんな不可解な発言に出会いました。

アナログコンピューターを、歴史的な先祖よりもはるかに高度な形で復活させることで、コンピューティングの世界は劇的に、そして永遠に変わるでしょう。

真剣に？

この予測は、『アナログコンピューティング』というシンプルなタイトルの、絵入りの美しい本の序文で見つけた。 2022年に再版されたこの本は、ドイツの数学者ベルント・ウルマンによって書かれたものだが、彼は実に真剣な人物のようだった。

WIREDが存在する前から未来のテクノロジーについて書き続け、エレクトロニクスを解説した本を6冊執筆しました。以前は自分でソフトウェアを開発し、友人の中にはハードウェアを設計している人もいました。アナログについて語る人を聞いたことがなかったのに、なぜウルマンは、この完全に死んだパラダイムが復活するなどと想像したのでしょうか？しかも、これほど広範囲に及ぶ永続的な影響をもたらすとは？

私はさらに調査する必要があると感じました。

デジタルがアナログに取って代わった例として、写真を見てみましょう。デジタル以前のカメラでは、光の連続的な変化がフィルム上で化学反応を起こし、画像が現実の表象、つまりアナログとして現れました。一方、現代のカメラでは、光の変化はデジタル値に変換されます。これはカメラのCPUによって処理され、1と0のストリームとして保存されます。必要に応じてデジタル圧縮も行われます。

エンジニアたちは1940年代に、現実世界の状況をシミュレートするコンピューターを指すために「アナログ」という言葉を使い始めました（アナログは圧縮を好むため、短縮形です）。しかし、機械装置は数世紀にわたってほぼ同じことを行ってきました。

アンティキティラ島の機械は、数千年前の古代ギリシャで使用されていた驚くほど複雑な機械でした。少なくとも30個の青銅製歯車を備え、月、太陽、そして5つの惑星の日常的な動きを表示するだけでなく、日食や月食を予測することもできました。その機械的な仕組みは現実世界の天体現象をシミュレートしていたため、最古のアナログコンピューターの一つとされています。

数世紀を経て、より現実的な用途のために機械的なアナログ機器が開発されました。1800年代には、プラニメーターと呼ばれる発明品が登場しました。これは小さな車輪、軸、そしてリンク機構で構成されていました。紙の上で図形の縁をポインターでなぞると、その図形の面積が目盛りに表示されます。この器具は、不動産業者にとって、購入者が不規則な形状の土地の面積を知りたい際に欠かせないアイテムとなりました。

その他の機器は軍事的なニーズに応えました。戦艦に乗って水平線の向こうの目標に16インチ砲を向けようとする場合、艦の向き、動き、位置、そして風向と風速を評価する必要がありました。巧妙な機械部品によって、操縦者はこれらの要素を入力し、砲を適切に調整することができました。歯車、リンケージ、滑車、レバーは、潮汐を予測したり、地図上の距離を計算したりすることもできました。

1940年代には、真空管や抵抗器などの電子部品が追加されました。これらの部品を流れる変動電流は、流体、気体、その他の物理世界における現象の挙動と類似していたためです。変動する電圧は、例えばロンドンに向けて発射されたナチスのV2ミサイルの速度や、1963年のフライトシミュレータにおけるジェミニ宇宙船の向きを表すことができました。

しかし、その頃にはアナログは衰退しつつある技術となっていました。ミサイルの速度を電圧で表し、空気抵抗を電気抵抗で減速させる代わりに、デジタルコンピュータは変数をバイナリコード、つまり処理に適した1と0の列に変換できました。初期のデジタルコンピュータは真空管を詰め込んだ巨大なメインフレームでしたが、その後、集積回路チップの登場により、デジタル処理はより安価で信頼性が高く、汎用性も向上しました。1970年代までに、アナログとデジタルの違いは次のように要約できるようになりました。

最後の要因は大きな問題でした。アナログコンピュータの精度は常に部品によって制限されていたからです。歯車、真空管、化学フィルムなど、どんなものを使っていても、精度は製造公差によって制限され、経年劣化していました。アナログは常に現実世界をモデルにしており、現実世界は絶対的に正確というわけではなかったのです。

軽度の強迫性障害を抱えたオタク気質のイギリス人学生だった頃、不正確さにひどく悩まされました。ピタゴラスは、90度の角に隣接する辺の長さが3センチメートルと4センチメートルの三角形の対角線の長さは5センチメートル、つまりちょうど5センチメートルになる、と教えてくれました。しかし、彼の証明が線の太さがゼロという理論的な領域にしか当てはまらないことに気づいた時、私の喜びは薄れてしまいました。

日常生活では、鉛筆を削る能力によって精度が制限され、測定しようとすると、現実のもう一つの厄介な特性に遭遇しました。虫眼鏡を使って、文房具店で買った定規と学校の物理実験室にある定規を比べてみたところ、両者の長さが全く同じではないことに気づきました。

どうしてこんなことが起こるのだろう？啓蒙を求めて、私はメートル法の歴史を調べた。メートルは基本単位だったが、それはナショナリズムと奇想天外な組み合わせから生まれたものだった。フランス革命後、新政府は旧体制の不正確さから脱却するためにメートルを導入した。フランス科学アカデミーは、赤道からパリを経由して北極までの経度距離を1000万で割ったものと定義した。1799年、メートルはフランス国立公文書館で、宗教的なトーテムのようにプラチナの延べ棒の形をとって厳粛に保管された。その複製が作成され、ヨーロッパ全土と南北アメリカ大陸に配布され、さらにその複製の複製が作られた。この過程で転写ミスが生じ、最終的に、異なる出典の定規が目に見えて不平等になる可能性があるという、衝撃的な発見につながった。

同様の問題が、時間、温度、質量の決定的な測定を阻んでいました。思春期の私には、避けられない結論がありました。物理的な領域で絶対的な精度を求めるなら、それは不可能だ、と。

雑然として曖昧な世界の不正確さを、私は個人的に「muzzy （曖昧）」と呼んでいました。しかし、1980年にオハイオ・サイエンティフィックのデスクトップコンピュータを手に入れ、たちまち、そして永遠に続く安堵感を見出しました。その演算はすべて2進法に基づいており、1は常に1であり、0は真の0であり、小数点以下は一切問題ありませんでした。存在の1、そして無の0！私はデジタルの純粋さに魅了され、コードを書くことを学びました。それは、曖昧な数学から逃れるための、生涯にわたる避難所となりました。

もちろん、デジタル値は依然として誤りやすい物理コンポーネントに保存する必要がありましたが、誤差の範囲がそれを補っていました。現代の5ボルトデジタルチップでは、1.5ボルト以下は0を、3.5ボルト以上は1を表します。適切に設計されたマザーボード上のコンポーネントはこれらの範囲内に収まるため、誤解が生じるはずはありませんでした。

そのため、ベルント・ウルマンがアナログコンピュータがゾンビのように復活すると予測したとき、私はただ懐疑的だっただけでなく、その考えに少し…不安を覚えました。

現実を直視したいと思い、カリフォルニア州マウンテンビューにあるコンピュータ歴史博物館の創設メンバーであるライル・ビックリー氏に相談しました。長年にわたり特許訴訟の専門家証人を務めてきたビックリー氏は、データ処理の分野でこれまで行われてきたこと、そして現在行われていることのすべてについて、百科事典的な知識を保有しています。

「シリコンバレーの企業の多くは、アナログチップを扱う秘密のプロジェクトを抱えている」と彼は私に語った。

本当ですか？でも、なぜですか？

「なぜなら、消費電力が非常に少ないからです。」

ビックリー氏は、例えば力ずくで自然言語処理するAIシステムがインターネットから何百万もの単語を抽出する場合、その処理は途方もない電力を消費すると説明した。人間の脳は20ワット程度のわずかな電力で動作すると彼は言う（これは電球と同じ電力だ）。「しかし、同じことをデジタルコンピューターで行おうとすると、数メガワットもの電力が必要になる」。そのような用途では、デジタルは「うまく機能しない。賢い方法ではない」のだ。

ビックリー氏は詳細を話すと守秘義務に抵触すると言ったので、スタートアップ企業を探し始めました。すぐにサンフランシスコ・ベイエリアにあるMythicという会社を見つけました。同社は「業界初のAIアナログマトリックスプロセッサ」を販売していると主張していました。

マイク・ヘンリー氏は2013年にミシガン大学でMythicを共同設立した。彼はエネルギッシュな男で、きちんとした髪型とアイロンのかかったシャツを着ており、まるで昔のIBMのセールスマンのようだ。彼はビックリー氏の指摘を詳しく説明し、GPT-3を動かす脳のようなニューラルネットワークを例に挙げた。「GPT-3には1750億個のシナプスがあります」とヘンリー氏は述べ、処理要素を脳内のニューロン間の接続に例えた。「つまり、このモデルを実行して何かを実行するたびに、1750億個の値をロードする必要があるのです。非常に大規模なデータセンターシステムでは、この処理に追いつくのがやっとです」

ヘンリー氏によると、それはデジタルだからだという。現代のAIシステムは、スタティックRAM（SRAM）と呼ばれるメモリを使用している。SRAMはデータの保存に一定の電力を必要とする。タスクを実行していない時でも、回路はオンの状態を維持しなければならない。エンジニアたちはSRAMの効率向上に多大な努力を払ってきたが、限界がある。「電源電圧を下げるといった方法は、もはや通用しなくなってきている」とヘンリー氏は述べた。

Mythicのアナログチップは、ニューラルウェイトをSRAMではなくフラッシュメモリに保存することで消費電力を削減しています。フラッシュメモリは状態保持に電力を消費しません。また、フラッシュメモリはプロセッサチップに埋め込まれており、Mythicはこの構成を「コンピュート・イン・メモリ」と呼んでいます。デジタルコンピュータのように、メモリとCPU間で数百万バイトものデータをやり取りして大量の電力を消費する代わりに、一部の処理はローカルで実行されます。

気になったのは、Mythicがアナログの精度問題を再び持ち込んでいるように思えたことだ。フラッシュメモリは、昔ながらのロジックチップのように、1か0を十分な誤差で保存しているわけではない。脳内のニューロンの変化する状態をシミュレートするために、中間電圧（なんと256種類！）を保持していた。そのため、これらの電圧が時間とともに変動するのではないかと心配だった。ヘンリーはそうは考えていないようだった。

彼のチップにはもう一つ問題があった。仕組みが説明しにくいのだ。ヘンリーは笑って言った。「ようこそ我が人生へ」と彼は言った。「ベンチャーキャピタリストに説明してみてくれ」。この点におけるミシックの成功は不安定だ。ヘンリーと話した直後、同社は資金が底をついた。（最近では1300万ドルの新規資金を調達し、新しいCEOを任命した。）

次にIBMへ行きました。広報部が、同社のAI物理学部門の研究者であるビジェイ・ナラヤナン氏を紹介してくれました。彼は会社が承認したメールでのやり取りを好んでいました。

ナラヤナン氏は現時点では「私たちのアナログ研究は、特にエネルギー効率を重視したAIハードウェアのカスタマイズです」と書いています。つまり、Mythicと同じ目標です。しかし、ナラヤナン氏は詳細について慎重な姿勢をとっているように思えたので、さらに調べてみたところ、IBMの論文でメモリシステムにおいて「顕著な精度低下なし」と言及されているのを見つけました。顕著な低下なし？ということは、何らかの低下があったということでしょうか？それから、耐久性の問題もありました。別の論文では「1日間で93.5%以上の精度を維持」と述べられていました。つまり、たった1日で6.5%も低下したということですか？これは悪いことでしょうか？何と比較すべきでしょうか？

未解決の疑問は山ほどあるが、最大の失望はこれだ。Mythic社もIBM社も、アナログコンピューティングへの関心は、特定のアナログ処理によってAIのエネルギーとストレージ要件を削減できるという点にのみ向けられていたようで、基本的なビットベースの計算には関心がなかった（デジタルコンポーネントは依然としてそれを実行する）。私の知る限り、これはウルマンが予言したアナログの再来とは程遠いものだった。かつてのコンピューターは部屋一面を覆うほどの巨大な存在だったかもしれないが、パイプを流れる液体から核反応まで、あらゆるものをシミュレートできた。それらのアプリケーションには共通する特性があった。それは動的であること、つまり変化という概念を内包していたことだ。

子供の頃に悩んだもう一つの難問は、ボールを手に持って落とすと、重力によってボールは速度を増していくというものです。もし速度が時間とともに変化し続けるとしたら、ボールの移動距離はどうやって算出できるでしょうか？移動時間を秒、ミリ秒、マイクロ秒といった単位で分割し、各ステップにおける速度を計算し、距離を合計することはできます。しかし、もし時間が本当に小さなステップで流れているなら、速度は1つのステップと次のステップの間で瞬時に変化しているはずです。どうしてそんなことが成り立つのでしょうか？

後になって、これらの疑問は何世紀も前にアイザック・ニュートンとゴットフリート・ライプニッツによって提起されていたことを知りました。彼らは、速度は確かに増分的に変化するが、その増分は無限に小さい、と述べていました。

つまり、ステップはあったものの、実際にはステップではなかったということでしょうか？私には言い逃れのように聞こえましたが、この曖昧な前提のもと、ニュートンとライプニッツは微積分学を発展させ、世界の無数の自然に変化する側面の挙動を誰もが計算できるようにしました。微積分学とは、落下するボールが移動する距離のように、絶えず変化するものを、無限に小さな差の連続、つまり微分方程式として数学的にモデル化する方法です。

その数学は、旧式のアナログ電子計算機（そのため、しばしば微分解析器と呼ばれる）への入力として使うことができた。部品を繋いで演算を方程式で表し、ポテンショメータで値を設定すると、オシロスコープの画面にほぼ即座に結果が表示される。理想的な正確さではなかったかもしれないが、私が不満を抱きながら学んだように、曖昧な世界では理想的な正確さなど存在しないのだ。

競争力を持つためには、このような多様な動作をエミュレートできる真のアナログコンピュータは、シリコンチップ規模で低コストで大量生産できるものでなければならない。そんなものが開発されたのだろうか？私はウルマンの著書を読み返し、最後から2番目のページで答えを見つけた。グレン・コーワンという研究者が2003年に、本格的なVLSI（超大規模集積回路）アナログチップを開発していたのだ。ウルマンは「機能が限られている」と不満を漏らしていたが、本物らしく聞こえた。

グレン・コーワンは、モントリオールのコンコルディア大学で電気工学の教授を務め、勉強熱心で几帳面で、人当たりの良い人物です。1999年、コロンビア大学の大学院生だった彼は、2つの研究テーマのどちらかを選ぶ必要がありました。1つは単一のトランジスタを最適化するもので、もう1つは全く新しいアナログコンピュータの開発でした。後者は、指導教官のヤニス・ツィヴィディスの得意とするプロジェクトでした。「ヤニスに説得されたんです」とコーワンは語りましたが、その説得の経緯はよくわからないようでした。

当初は仕様がありませんでした。チップ上にアナログコンピューターを作った人が誰もいなかったからです。コーワンはどれほどの精度が実現できるのか分からず、基本的にその場その場で考えながら開発を進めていました。知識の欠落を埋めるために、コロンビア大学で他の授業も受講しなければなりませんでした。2年後、彼はテスト用のチップを完成させました。彼は謙虚にこう語りました。「大学院生らしい無知さが満載で、ブレッドボードの悪夢のようでした」。それでもチップは動作したので、彼はそのまま研究を続け、より優れたバージョンを作ることにしました。そして、その作業にはさらに2年かかりました。

コーワンの重要なイノベーションは、チップを再構成可能、つまりプログラム可能にしたことでした。旧式のアナログコンピュータは、プラグボードにかさばるパッチコードを使用していました。コーワンは、トランスミッションゲートと呼ばれる既存の技術を用いて、チップ上の領域間で同じことを小型化しました。トランスミッションゲートはソリッドステートスイッチとして機能し、処理ブロックAの出力をブロックB、ブロックC、あるいは任意のブロックの入力に接続します。

彼の二つ目のイノベーションは、アナログチップを市販のデジタルコンピュータと互換性を持たせることで、精度の限界を回避できるようにしたことだ。「出発点としてアナログのおおよその解を得ることができ、それを推測値としてデジタルコンピュータに入力することができました」とコーワンは説明した。「反復処理は、適切な推測値があればより速く収束するからです。」彼の多大な労力の成果は、10ミリメートル四方の非常に立派なシリコンウエハー上に刻み込まれた。「驚くべきことに」と彼は私に言った。「それはうまくいきました。」

コーワン氏に実社会での活用について尋ねると、彼は当然のようにAIについて言及した。しかし、ニューラルネットワークについて考える時間があった私は、懐疑的な見方をし始めていた。クロスバー構成と呼ばれる標準的なニューラルネットワークの構成では、ネットワーク内の各セルは他の4つのセルと接続する。接続を増やすために階層化されている場合もあるが、それでも脳の前頭皮質に比べればはるかに単純だ。前頭皮質では、個々のニューロンは1万個のニューロンと接続される。しかも、脳は静的なネットワークではない。生後1年間は、毎秒100万個の新しい神経接続が形成される。ニューラルネットワークでそのようなプロセスを模倣できるとは思えなかった。

グレン・コーワンの2つ目のアナログチップは、コロンビア大学での物語の終わりではありませんでした。さらなる改良が必要でしたが、ヤニス・ツィヴィディスは研究を引き継ぐ別の大学院生を待たなければなりませんでした。

2011年、物静かな若者、寧郭（ニン・グオ）がやる気を見せた。コーワンと同じく、彼もチップの設計経験はなかった。「ええと、かなり大変でした」と彼は言った。彼は当時のことを思い出して笑い、首を横に振った。「楽観的すぎました」と彼は悔しそうに振り返り、また笑った。「夏までに完成させられるなんて思ってもみませんでした」

実際、チップの設計完了には1年以上かかりました。郭氏によると、ツィヴィディス氏は高額な製造プロセスに進む前に、チップが「90%の信頼度」で動作することを確認したとのことです。郭氏は一か八かの賭けに出て、その結果生まれたチップを「ハイブリッド連続離散コンピュータ（HCDC）」と名付けました。これはハイブリッド連続離散コンピュータの略です。郭氏の試作品は、市販のデジタルコンピュータとインターフェースできる基板に組み込まれました。外見はPCのアクセサリ基板のように見えました。

郭氏に応用の可能性について尋ねると、彼は少し考え込んだ。AIについて言及する代わりに、ロボット工学において互いに強固に接続された多数の可動式機械関節のシミュレーションといったタスクを提案した。そして、多くのエンジニアとは異なり、彼は自ら推測を続けた。

デジタルモデルは収穫逓減の傾向にあるものの、依然として業界を支配していると彼は述べた。「アナログ領域に人材と資金を投入すれば、既存のアルゴリズムを高速化するアナログコプロセッシングのようなものが実現できると思います。デジタルコンピュータはスケーラビリティに非常に優れています。アナログは変数間の複雑な相互作用に非常に優れています。将来的には、これらの利点を組み合わせることができるかもしれません。」

HCDCは完全に機能していたものの、問題がありました。それは、使いにくかったことです。幸運にも、MITの優秀なプログラマー、サラ・アクーアがこのプロジェクトについて知り、自分のスキルを活かせる理想的なターゲットだと気づきました。彼女はコンパイラ（高級プログラミング言語を機械語に変換するプログラム）の専門家で、よりユーザーフレンドリーなPythonフロントエンドを追加して、チップのプログラミングを容易にすることができました。彼女はツィヴィディスに連絡を取り、ツィヴィディスは数少ない製作済みの貴重なボードのうちの1枚を彼女に送ってくれました。

アクーア氏と話したとき、彼女は面白くて魅力的な方で、専門用語を猛烈な勢いで次々と話してくれました。彼女はもともと医者を目指していたそうですが、中学時代から趣味でプログラミングを続けてきたことからコンピューターサイエンスに転向したそうです。「生物システムの数学モデリングを専門としていました」と彼女は言いました。「遺伝子とタンパク質、ホルモンのダイナミクスのマクロモデリングをしていました」。私が茫然とした表情をしているのを見て、彼女は付け加えました。「特定の薬を注射した時のホルモン変化などを予測しようとしていたんです」

変化こそがキーワードだった。彼女は変化を記述する数学に精通しており、2年後にはアナログチップ用のコンパイラを完成させた。「いわゆるエントリーレベルの製品を作ったわけではありません」と彼女は言った。「でも、実行したい計算の堅牢な実装を見つけやすくしました。この手のハードウェアを設計する人でさえ、プログラミングに苦労しているんです。今でも非常に苦痛です。」

元医学生が、自社のハードウェアの扱いに苦労するチップ設計者の負担を軽減するというアイデアは気に入りました。しかし、彼女の応用についてはどうお考えですか？何かあるのでしょうか？

「ええ、環境を感知している時はいつでもそうです」と彼女は言った。「再構成可能性によって、同じハードウェアを複数の計算に再利用できます。ですから、これはニッチなモデルに追いやられることはないと思います。本質的にアナログなものとインターフェースする場合、アナログ計算は非常に理にかなっています。」曖昧さを孕んだ現実世界のように。

ボールを落とすという概念、そして一定時間内にボールがどれだけ遠くまで飛ぶかという私の興味に戻りましょう。微積分学では、空気抵抗を無視すれば、微分方程式を使ってこの問題を簡単に解くことができます。この問題の正しい表現は「速度を時間に関して積分する」です。

しかし、空気抵抗を無視しなかったらどうなるでしょうか? ボールの落下速度が速いほど、受ける空気抵抗も大きくなります。しかし、重力は一定であるため、ボールの速度は一定の割合で増加するのではなく、終端速度に達するまで徐々に減少します。これを微分方程式で表すこともできますが、複雑さがさらに増します。ここでは数式の説明には立ち入りません (Sara Achour の印象的な用語を使うと、その面倒な作業は避けたいため)。重要なのは、持ち帰るべきメッセージだからです。新しい要因を導入するたびに、シナリオはより複雑になります。横風が吹いたり、ボールが他のボールと衝突したり、穴に落ちて地球の中心 (重力がゼロ) に落ちたりする場合、状況は気が滅入るほど複雑になる可能性があります。

さて、デジタルコンピュータを使ってこのシナリオをシミュレートするとしましょう。滑らかな曲線を生成するには膨大なデータポイントが必要で、各ポイントのすべての値を継続的に再計算する必要があります。これらの計算量は膨大になり、特に複数のオブジェクトが関係する場合はさらに膨大になります。核融合反応やAIエンジンのシナプス状態のように数十億個のオブジェクトを扱う場合、毎秒数十億サイクルでデータを処理するには、おそらく1000億個のトランジスタを搭載したデジタルプロセッサが必要になります。そして、各サイクルにおいて、各トランジスタのスイッチング動作によって熱が発生します。廃熱は深刻な問題となります。

新世代のアナログチップを使うと、微分方程式のすべての因数をAchourのコンパイラに入力するだけで、方程式がチップが理解できる機械語に変換されます。バイナリコードの力強い処理は最小限に抑えられ、消費電力と発熱も抑えられます。HCDCは、現代のハードウェアの中にひっそりと潜む、効率的な小さな助っ人のような存在です。しかも、かつての部屋一面を覆うほどの巨大なものとは異なり、チップサイズです。

ここで、基本的なアナログ属性を更新する必要があります。

ツィヴィディス氏と大学院生たちの設計が、私が前に挙げた歴史的な欠点をどのように克服しているかはお分かりいただけるでしょう。しかし、これだけの努力にもかかわらず、現代アナログコンピューティングの預言者であるツィヴィディス氏は、いまだに人々に真剣に受け止めてもらうのに苦労しています。

1946年にギリシャで生まれたツィヴィディスは、幼い頃から地理、歴史、化学が苦手だった。「脳のシナプスの数よりも覚えるべき事実の方が多いように感じました」と彼は私に語った。数学と物理は大好きだったが、ある教師が円の周囲の長さは直径の3倍に14センチメートルを加えたものだと教えたことで、別の問題に直面した。もちろん、円の直径の（およそ）3.14倍であるべきだったが、ツィヴィディスがそう言うと、教師は彼に黙るように言った。この出来事は、「権威者が必ずしも正しいとは限らないということを、かなり強く示唆していた」と彼は語っている。

彼は独学で英語を学び、電子工学を学び始め、無線送信機などの機器を設計・製作し、最終的には有機化学を学ぶよう強いられたギリシャの大学制度から脱却した。1972年にアメリカの大学院に進学し、その後もコンピュータサイエンスの分野における正統派に挑戦することで知られるようになった。ある著名な回路設計者は彼を「アナログMOSフリーク」と呼んだ。1975年に金属酸化物半導体技術を用いて増幅チップを設計・製作したが、この技術が用途に適しているとは全く誰も信じていなかったからだ。

ツィヴィディス氏は最近、礼儀正しく地に足のついた態度で、無駄な言葉を一切口にしない。アナログを集積回路の形で復活させようとする彼の試みは、90年代後半に本格的に始まった。私が彼に話を聞いたとき、彼はアナログチップを搭載したボードを18枚所有しており、さらに数枚をアクーア氏などの研究者に貸し出していると話してくれた。「しかし、プロジェクトは現在中断しています」と彼は言った。「国立科学財団からの資金援助が終了したためです。そして、その後2年間のコロナ禍もありました」

新たな資金を得たらどうするかと尋ねた。

「大規模なシステムをモデル化するために、多数のチップを組み合わせたらどうなるのかを知りたいのです。そこで、私たちはそうしたチップを多数組み合わせ、最終的にはシリコンファウンドリの協力を得て、単一のチップ上に大型コンピューターを構築することを目指しています。」

これまでの開発にはすでに20年近くかかっていると指摘した。

「はい、しかしその間に数年間の中断がありました。適切な資金が確保できれば、このプロセスを再開します。」

私は彼に、今日のアナログコンピューティングの現状を25年前の量子コンピューティングと比較できるかどうか尋ねました。量子コンピューティングは、少数派の関心から広く（そして十分な資金を得て）受け入れられるまで、同じような発展の道を辿るのでしょうか？

時間はほんのわずかで済むだろうと彼は言った。「実験結果はすでに出ています。実証済みです。もしこれをユーザーフレンドリーにしたいグループがあれば、1年以内に実現できるでしょう。」そして現時点では、興味のある研究者にアナログコンピュータボードを提供し、Achourのコンパイラで使用できるようにしたいと考えている。

どのような人が適格でしょうか?

「必要なのはコンピューターだけではありません。微分方程式とは何かを理解するには、数学の知識が本当に必要です。」

私は彼に、彼のアイデアはある意味当たり前のことだと感じているのかと尋ねました。なぜまだ多くの人に受け入れられていないのでしょうか？

「すべてがデジタル化しているのに、なぜこんなことをするのかと不思議がる人もいます。デジタルこそ未来だ、デジタルこそ未来だ、とよく言われます。もちろん、それは未来です。しかし、現実世界はアナログで、その間には大きなインターフェースがあります。それがまさにこの技術の核心なのです。」

ツィヴィディスが、アナログ計算を適用するには適切な数学の知識が必要だと何気なく言った時、私は疑問に思いました。デジタルコンピュータのアルゴリズム開発は骨の折れる頭脳労働ですが、微積分が求められることは滅多にありません。このことをアクーアに話すと、彼女は笑いながら、「査読者に論文を提出すると、『何年も微分方程式を見ていない』と言う人もいます。微分方程式を全く見たことがない人もいます」と言いました。

そして、間違いなく多くの人がそうしたくないでしょう。しかし、金銭的なインセンティブは変化への抵抗を克服する力を持っています。ソフトウェアエンジニアが履歴書に「微分方程式に精通している」という新しい項目を追加するだけで、年間10万ドルの追加収入を得られる未来を想像してみてください。もしそれが実現したら、Python開発者はすぐにオンラインの微積分補習講座に登録するようになるでしょう。

同様に、ビジネスにおいても決定的な要因は金銭的なものとなるでしょう。AI、そしてより賢い薬物分子、機敏なロボット、そして物理世界の曖昧な複雑性をモデル化する数多くのアプリケーションに、莫大な資金が投入されるでしょう。もし消費電力と放熱が莫大なコストを要する問題となり、デジタル負荷の一部を小型アナログコプロセッサに分散させることで大幅にコスト削減が可能になれば、かつて数学の天才だった祖父が真空管を詰め込んだ大きな鉄の箱を使ってアナログ計算を行っていたことを気にする人は誰もいなくなるでしょう。

現実は、たとえどれほどそうでないことを望んだとしても、実に不正確です。そして、それを真に精密な忠実度でモデル化したい場合、デジタル化は必ずしも最も賢明な方法ではないかもしれません。したがって、私は次のように結論せざるを得ません。

アナログは死んだ。

アナログ万歳。

この記事は5月号に掲載されています。 今すぐ購読をお願いします。

この記事についてのご意見をお聞かせください。 [email protected]までお手紙をお送りください。