当你想到它时，它可能是一个有趣的旧世界。行业专家就曾预言过模拟电子技术的消失，这导致学生不想学习一个濒临灭绝的领域，大学也懒得开设课程。这或许并不奇怪，事实证明，模拟技术正在不断发展壮大，这一事实对所有相关人员来说都有点尴尬，尤其是由于研究的人很少，因此拥有模拟技术的工程师也迅速匮乏。
大约在1949年刘易斯飞行推进实验室的模拟计算机（图片来源：NASA）
该机器由大量的模拟模块组成-乘法器（放大器），除法器，加法器，减法器，积分器，微分器，比较器等。 我们还可以使用令人难以置信的大型且速度惊人的数字大型机计算机，但这台计算机位于镇上自己的建筑物中。我们在工程大楼中使用了Teletype终端，以便在打孔卡上捕获我们的程序，然后我们穿过城镇，将这些卡座移交给接待处的柜台，并被指示要“下周二再来”。当我们确实返回时，只是发现一条松紧带上的纸屑沿着“缺少逗号，第2行”的行带有一条消息，这时我们将重新开始该循环。 您可以想象，要启动并运行“ Hello World”程序可能很容易需要一个学期。
如果我们将时间追溯到五到十年，我们会发现每个人都在谈论将数据推送和处理到云中。但是，在过去的五年中，越来越多的努力将尽可能多的处理推进到边缘。 在捕获或生成数据的站点上分析数据并做出决定也可以称为“智能边缘”。
顺便说一句，当我们谈论未来五年的预测时，您是否认为像79.4这样的数字只是一个过于精确的笑话？当前，增长最快的物联网细分市场之一是始终由电池供电的设备，其关键挑战在于提供复杂的处理过程，同时消耗很少的电能并维护用户隐私。问题在于，当今的架构浪费了70％至90％的电池寿命来处理无关的数据。
换句话说，存在这样一种危险：2025年处理的79.4 ZB数据中有多达50 ZB会被不必要地处理。仅凭16亿个电池供电的语音优先设备，就相当于每天浪费3600万个AA电池！
如果这看起来有些极端，请考虑使用一个始终在听的设备，该设备正在等待唤醒词以触发其行动。 问题在于，世界充满了周围的声音-狗叫，猫叫（我从经验上讲），鸟鸣，房屋内的系统“叮叮当当”，汽车和卡车在屋外嗡嗡作响，风，雷声，雨声……清单继续。不幸的是，高功率唤醒词处理器始终处于打开状态，它会处理所有发出的声音，以确定该声音是否是人类语音，如果是，则确定该声音是否与唤醒词相对应。 结果，在执行了高功率处理之后，声音数据的95 +％被丢弃了。
典型的常听装置（图片来源：Aspinity）
有句老话说，如果您唯一的工具是锤子，那么每个问题都像钉子。同样的事情也适用于处理信号的问题-如果您唯一熟悉的工具是DSP，那么每个信号处理问题看起来都像是DSP解决方案的候选人。人们很少想到模拟信号处理（ASP），因为我们中很少有人真正了解模拟域。
举一个主要的例子，大多数时候，当我们在人工神经网络（ANN）的背景下听到诸如人工智能（AI）和机器学习（ML）之类的信息时，我们会想到以数字形式形成网络的神经元实现。
我们在这里谈论的是Aspinity的可重配置模拟模块化处理器（RAMP）系列设备。 这些设备可以监视来自音频（麦克风）或振动（加速度计）传感器的信号，并在模拟域中执行基于AI / ML的特征提取和分类（推理）。 例如，在始终监听设备的情况下，添加RAMP芯片可带来效率更高的解决方案。
更高效的始终监听设备（图片来源：Aspinity）
简而言之，在这种更有效的实现中，高功率唤醒字处理器大部分时间都处于睡眠状态，在此期间，它几乎不消耗任何功率。 同时，始终处于运行状态的RAMP使用其模拟AI / ML神经网络来确定每种声音是否是人类语音，并仅消耗25微安（µA）的功率来收听每种声音。 RAMP一旦检测到人类语音，就会唤醒功率更高的唤醒文字处理器。
实际上，除了唤醒词本身之外，唤醒词处理器还需要大约500毫秒的前置声音（这称为“前滚”）。为了解决这个问题，RAMP芯片不断记录和存储（以压缩形式）预卷。当它检测到人类语音并唤醒唤醒字处理器时，它将解压缩预滚动并将其以实时音频缝合到背面的方式馈送到唤醒字处理器。
现在，您可能想知道RAMP的模拟ANN如何提供这种省电的解决方案。 举一个简单的例子，包括AI和ML在内的大部分信号处理都涉及大量的乘法累加运算，每个运算都包含一个乘法和加法运算，结果存储在累加器寄存器中。 执行这种操作的硬件单元称为乘法累加器（MAC），诸如ANN之类的东西可以包含这些小捣蛋的巨大数目。
我们当中那些早上穿数字长裤的人已经习惯了拥有大量逻辑门和功能供我们使用。我们以晶体管的功率小巧而自豪，结果使它们像五彩纸屑一样乱扔。问题在于，使用数字技术实现的MAC消耗大量晶体管，而ANN消耗大量MAC。 即使这些晶体管单独消耗很少的功率，但在谈论成千上万的小缺陷时，总功耗还是会增加。相比之下，模拟MAC只需要少数晶体管即可发挥其魔力。
老实说，我们只是刮开了这项技术可能带来的开始。另一个示例是用于防盗警报器的电池供电的音频或振动传感器，其目的是检测碎玻璃的声音。另外，可以利用RAMP的模拟ANN识别碎玻璃的特征，创造出更高功率，更强大的处理器！
