Мода на "аналог" пойдет еще дальше...

@nop, Асинхронная логика это, все-таки, нечто другое. Асинхронные процессоры не имеют тактового генератора и реагируют на события. То есть у них временная шкала является континуальной. Но значения, которыми мы оперируем, все еще дискретны. Асинхронные чипы существуют уже давно. Опять же, возвращаясь к нейро-теме, впечатляющим примером является TrueNorth фирмы IBM. На системном уровне переход к асинхронности уже состоялся, потому что на больших кристаллах невозможно поддерживать вычисления с использованием одной тактовой сети. Пока что мы на этапе GALS (Globally asynchronous locally synchronous). Есть многоядерные процессоры, где каждое ядро имеет локальный тактовый генератор (KiloCore, GreenArrays).

@Кишмиш, Любители модуляров черпают идеи из аналоговых компьютеров? Вполне логично, хотя я об этом раньше не слышал

По поводу игр на аналоговых компьютерах.

Знаменитая игра "Tennis For Two" работала именно на аналоговом компьютере. С натяжкой сюда можно отнести и электромеханические игровые автоматы типа "Морского боя".

Интереснее, на мой взгляд, более поздние гибридные подходы.

В старых игровых автоматах от Sega использовалось аналоговое масштабирование (как раз пример гибридного подхода).

Пример в духе того, о чем говорит @nop: аналоговый фильтр у звукового чипа SID.

Была даже вот такая книга.

скорее, до микропроцессоров была сильнее размыта граница между аналоговой и цифровой электроникой. Речь идёт скорее о синхронной логике против асинхронной. Работа от одного тактового генератора против работы от множества без чёткого деления на элементарные такты.
Звукогенерация же и устройства ввода нередко были частично аналоговыми. Ранние автоматы имеют специализированные "синтезаторы", производящие некий определённый звук с использованием комбинации цифровых и аналоговых компонентов.

Мозг дискретен - и это факт.

Понимание не нужно. Нужно, чтоб работало. Работает.
Для того, чтобы построить самолет, необязательно делать крылья из перьев, а чтобы обогнать лошадь достаточно колеса.
Deep learning это да, лишь скачкообразное улучшение качества моделирования нейронных сетей, которые програмили десятки лет назад, на основе улучшенного понимания того, как работают реальные. Пусть они не учитывают множества тонкостей, но достигнутые результаты уже имеют большую практическую ценность и весьма похожи на результат работы биологических нейросетей. Не вижу причин считать, что мы находимся на неверном пути, даже если пройти предстоит еще немало.
Та же победа над чемпионом в Го чего стоит..
Попытки промоделировать нейросети "в железе" случаются с определенной периодичностью опять же, на протяжении десятков лет. Это не нужно, это лишь оптимизация, которая не приведет ни к каким качественным прорывам. Железо слишком неповоротливо, когда понимание когнитивных процессов еще немного улучшится, ему очередной раз придется отправиться в мусорку. Это преждевременная оптимизация.

Аналоговые компьютеры исторически предшествуют компьютерам цифровым. Так что, естественно, в аналоговых вычислениях нет ничего нового. Тем не менее, в статье разумное зерно имеется. Уже давно перестал выполняться закон Деннарда и у современных процессоров возникает все больше проблем с энергопотреблением. Перспективный путь преодоления этих проблем: создание специализированных ускорителей под самые разные задачи, наряду с универсальным процессором. Все это, конечно же, на одном кристалле. Наверное, сейчас это кажется невероятным, но, помимо цифровых ускорителей, вполне могут использоваться и ускорители аналоговые. Это подход в статье называется "гибридными вычислениями". Ключевой и актуальнейший момент здесь: энергоэффективность.

Наверное, самый популярный сегодня вид аналоговых вычислителей -- квантовые компьютеры. Впрочем, с ними все пока не очень ясно, поэтому лучше вспомнить о еще одном подходе. Кроме привычных цифровых моделей нейросетей уже давно есть проекты (даже коммерческие) аналоговых нейрокомпьютеров. Ключевой момент тут -- это компьютеры на традиционной СБИС-технологии (поведение нейронов моделируется характеристиками транзисторов). См. разработки компании Synaptics под руководством знаменитого ученого Карвера Мида. Что? Вы знаете только Рэя Курцвейла? Напрасно. Карвер Мид -- как минимум, не меньшая величина в научном мире.

В целом, чрезмерное увлечение, мода на deep learning и "статистический ИИ" пройдет. Это шапкозакидательский подход, он не дает понимания, контроля за процессом. Причем, критика этого подхода будет с годами звучать все громче. Старый-добрый GOFAI еще свое возьмет, будьте уверены! Человечеству сейчас гораздо полезнее иметь системы усиления (естественного) интеллекта, а не нейросети, которые что-то там "волшебным" образом считают или, почему-то, не считают.