AI推論の効率化を追いかけると、少し不思議な場所へ戻ってきます。アナログコンピューティングです。
「アナログ」と聞くと、古い技術に聞こえるかもしれません。ところが、生成AI、スマート家電、ロボット、ウェアラブルのように、AIを常時動かしたい場面が増えるほど、デジタル計算だけでは電力とデータ移動の負担が重くなります。そこで、連続値を扱うアナログ計算や、メモリの近くで計算するインメモリ計算が再び注目されています。
もちろん、アナログがデジタルを置き換えるという話ではありません。むしろ現実的なのは、デジタルが得意な制御や高精度処理を残しながら、推論の一部をアナログ的に効率化するハイブリッドな未来です。この記事では、なぜ今アナログコンピューティングなのか、AI推論でどこに効くのか、そして期待しすぎてはいけない点まで整理します。
なぜ今アナログが再注目されるのか
AI推論の壁は電力とデータ移動にある
AI半導体のニュースでは、演算性能の数字が目立ちます。TOPS、GPU数、メモリ帯域、プロセス世代。もちろん重要です。ただ、AI推論が生活や産業に広がるほど、単純な演算性能だけでは足りなくなります。問題は、データをどこから取り出し、どこへ戻し、何回動かすかです。
前回取り上げた光集積回路とシリコンフォトニクスは、データを運ぶ通り道を広げる技術でした。今回のアナログコンピューティングは、少し違う角度から同じ問題に向き合います。そもそもデータを遠くへ動かしすぎない。計算と記憶の距離を縮める。ここに効率化の余地があります。
フォン・ノイマン型の負担が目立ってきた
多くのコンピュータは、メモリに保存したデータを演算器へ送り、計算して、またメモリへ戻します。この構造は非常に強力ですが、AI推論のように同じ種類の積和演算を大量に繰り返す処理では、メモリと演算器の往復が大きな負担になります。人間でいえば、机の上で考えたいのに、毎回別の部屋へ資料を取りに行くようなものです。
アナログコンピューティングやインメモリ計算が再注目される理由は、この往復を減らせる可能性があるからです。計算をメモリの近く、あるいはメモリそのものの性質を使って行えば、電力の使い方が変わります。AIをもっと小さな機器で、もっと長く、もっと安く動かしたいなら、この発想は避けて通れません。
アナログコンピューティングとインメモリ計算の基礎
デジタルは0と1 アナログは連続値を扱う
デジタル計算は、情報を0と1の組み合わせとして扱います。ノイズに強く、再現性が高く、ソフトウェアと相性が良い。現代のコンピュータがここまで発展したのは、デジタルの強さがあったからです。一方、アナログ計算は、電圧や電流、抵抗値のような連続的な物理量を使って計算します。
アナログは雑に見えるかもしれませんが、AI推論の一部ではこの「物理量で直接計算する」考え方が効きます。ニューラルネットワークでは、重みと入力を掛け合わせて足し合わせる積和演算が大量に出てきます。これをデジタル回路で1つずつ処理するのではなく、メモリセルの配列や電流の足し合わせを使って並列に行う。そこにアナログAIチップの発想があります。
インメモリ計算は記憶と計算を近づける
インメモリ計算、Compute-in-MemoryやProcessing-in-Memoryは、データを保存する場所の近くで計算する考え方です。アナログ方式では、メモリセルの物理特性を計算に使うことがあります。たとえば、重みに相当する値をメモリに保持し、入力信号を流して、出力の電流として積和演算に近い結果を得る、といった設計です。
この説明だけ聞くと魔法のようですが、もちろん万能ではありません。物理量を使う以上、ばらつき、温度変化、ノイズ、経年変化が問題になります。だからこそ、アナログだけですべてを処理するのではなく、デジタル回路で補正し、制御し、必要な精度を守るハイブリッド構成が現実的になります。
IBMのAnalog AIは低電力化の可能性を示した
IBM ResearchはAnalog AI chipの研究で、自然言語処理タスクを扱うアナログAIチップが、推定で高いエネルギー効率を示したと説明しています。ここで大切なのは、「すぐにすべてのAIチップがアナログになる」という話ではなく、推論タスクにおいて電力効率を改善する方向性が見えているという点です。
AIの消費電力は、もはや技術者だけの問題ではありません。クラウドAIの料金、エッジ端末のバッテリー、工場センサーの保守、スマート家電の常時待機。読者の生活や仕事のすぐ近くに、推論効率の問題は降りてきています。
なぜ推論に向くのか 学習との違いを整理する
推論は低精度でも成立しやすい
アナログコンピューティングがAIの中でも推論に向く理由は、推論が必ずしも極端な高精度を必要としないからです。学習済みモデルを動かす段階では、8ビットや4ビットのような低精度化が使われることがあります。もちろん用途によりますが、画像分類、音声処理、センサー異常検知などでは、十分な精度を保ちながら計算量と電力を下げる余地があります。
一方、学習では重みを繰り返し更新します。わずかな誤差が積み重なると結果に影響しやすく、柔軟な制御も必要です。だから、アナログAIチップがまず狙いやすいのは、巨大モデルを一から学習する場所ではなく、決まったモデルを効率よく動かす推論側です。
常時オンのエッジAIで価値が出やすい
アナログ的な推論効率が特に効きやすいのは、常時オンのエッジAIです。カメラ、マイク、振動センサー、温度センサー、ウェアラブル、スマート家電。これらは、クラウドへ毎回データを送るより、端末側で必要な判断だけを行うほうが合理的な場面があります。
たとえば、すべての音声をクラウドに送るのではなく、端末側で異常音や呼びかけだけを検出する。工場のセンサーが常時振動を見て、異常の兆しだけを通知する。こうした使い方では、1回の推論が少しだけ省電力になることより、「何百万回も繰り返す推論が省電力になる」ことが効きます。以前のスマート家電の常時推論と電気代の話も、この文脈でつながります。
ニューロモーフィックとは似ているが同じではない
アナログコンピューティングは、ニューロモーフィックと混同されることがあります。どちらも脳や物理現象を意識した低消費電力計算と関係しますが、同じ言葉ではありません。ニューロモーフィックはスパイクやイベント駆動など、神経系に近い情報処理を意識することが多い。一方、アナログAIチップは、ニューラルネットワークの積和演算を効率よく処理するために、アナログ物理量を使う方向が中心です。
この違いを整理しておくと、技術ニュースの読み方がかなり楽になります。ニューロモーフィックマイクロチップと工場異常検知はイベント駆動の見方、今回のアナログコンピューティングは積和演算とメモリ近接の見方。どちらも低消費電力AIに向かいますが、通る道が少し違います。
主要プレイヤーと実装の現在地
NorthPoleはデジタルAIチップの効率化例
ここは誤解しやすいので、はっきり分けておきます。IBM ResearchのNorthPoleは、アナログチップではありません。IBM自身も、新しいデジタルAIチップとして説明しています。重要なのは、NorthPoleが「メモリと計算を近づける」「データ移動の負担を下げる」という同じ問題意識を持つ点です。
つまり、NorthPoleは別系統のデジタル設計であり、AI推論の効率化がどこへ向かっているかを示す近縁の例です。アナログAIも、メモリ近接型のデジタルAIチップも、背景にある悩みは似ています。AIが電力を食いすぎる。データ移動が重すぎる。ならば、計算の場所そのものを見直そう、という流れです。
Mythic型のアナログマトリクス処理は可能性と不確実性が同居する
アナログAIチップの文脈では、フラッシュメモリを使ったアナログマトリクス処理を掲げる企業も注目されてきました。狙いは、ニューラルネットワークの重みをメモリ内に置き、データ移動を減らしながら積和演算を進めることです。発想としては非常に魅力的です。
ただし、この領域は事業面でも技術面でも変化が速いです。個別企業の製品ロードマップを断定するより、ここではアナログ演算、メモリ内計算、低消費電力推論という方向性が、どの用途で実際に残るかを見ておきたいところです。AI半導体では、良いアイデアでも量産、ソフトウェア、顧客採用まで届かなければ広がりません。
量産化の壁は精度ばらつきとソフトウェアにある
アナログAIチップの課題は、原理だけでなく実装にあります。メモリセルのばらつき、温度変化、経年劣化、製造再現性。これらは、デジタル計算より扱いが難しい部分です。また、開発者が使いやすいソフトウェア環境も必要です。モデルをどう変換し、どの精度で動かし、誤差をどう補正するのか。チップだけでなく、ツールチェーン全体が問われます。
この点では、デジタルAIチップが持つソフトウェア資産は強力です。アナログが広がるには、既存のAI開発環境と自然につながる必要があります。未来の勝負は、回路の美しさだけでは決まりません。開発者が迷わず使え、運用担当者が安心して保守できるか。そこまで含めて、ようやく実用化です。
| 比較軸 | デジタルAIチップ | アナログAIチップ |
|---|---|---|
| 精度 | 高精度制御に強い | ばらつき補正が重要 |
| 電力効率 | 設計次第で高いがデータ移動が重い | 推論の一部で効率化しやすい |
| 量産性 | 成熟した製造・検査基盤がある | メモリ特性や温度依存の管理が課題 |
| ソフトウェア | 既存エコシステムが厚い | 変換ツールや補正技術が鍵になる |
| 向く用途 | 汎用AI、学習、高精度処理 | 常時オン推論、低消費電力エッジAI |
省電力AIチップはどこから身近になるのか
アナログが効く3つのシーン
アナログコンピューティングが広がるとすれば、最初から万能チップとしてではなく、用途を絞った場所からでしょう。読者が見ておきたいのは、次のような場面です。
- 常時オンの音声・画像・振動検知。小さな信号を長時間見続ける用途。
- バッテリー駆動のエッジAI機器。クラウドに送る前の一次判断を端末側で行う用途。
- 工場やインフラのセンサー処理。大量のセンサーから異常兆候だけを拾う用途。
逆に、巨大モデルの学習、高精度な科学計算、柔軟にモデルを入れ替える汎用サーバーでは、デジタルの強さが当面残ります。アナログの未来は、主役交代というより役割分担です。地味に聞こえるかもしれませんが、実用技術としてはそのほうが強い。派手な一発逆転より、得意な場所へ深く入る技術のほうが長く残ります。
ハイブリッド化がAI半導体の読み方を変える
これからAI半導体を見るときは、デジタルかアナログかを二択で考えないほうがよさそうです。デジタル制御、アナログ演算、メモリ近接、光接続、冷却、ソフトウェア。これらが組み合わさって、AI推論の効率が決まっていきます。前回の光集積回路が「データの通り道」を広げる技術だとすれば、アナログコンピューティングは「データを動かしすぎない」ための技術です。
この視点を持つと、AIチップのニュースは少し違って見えます。何nmか、何TOPSかだけではなく、どこで計算し、どこにメモリを置き、どれだけ電力を使うのか。そこに注目すると、AIが次にどの機器へ入り込むのかも見えやすくなります。
アナログコンピューティングは、懐かしい技術の復刻版ではありません。AI推論が社会のあちこちで静かに動き続けるために、計算の形をもう一度問い直す流れです。次に小さなAI機器や省電力AIチップの発表を見かけたら、性能の数字の横にある「どこで計算しているのか」を少しだけ眺めてみてください。その問いが、AI半導体の未来を読む入口になります。
