工程師一直在追求一種形式的AI，這種形式可以大大降低完成諸如識別單詞和圖像之類的典型AI事情所需的能量。這種機器學習的模擬形式使用電路的物理原理而不是數字邏輯來進行神經網絡的關鍵數學運算之一。但是限制這種方法的主要因素之一是，深度學習的訓練算法(反向傳播)必須由GPU或其他單獨的數字系統來完成。

現在，蒙特利爾大學AI專家Yoshua Bengio，他的學生Benjamin Scellier和初創公司RainNeuromorphics的同事們已經想出了模擬AI進行自我訓練的方法。根據Rain CTO Jack Kendall的說法，這種稱為平衡傳播的方法可能導致持續學習的低功耗模擬系統，其計算能力比目前業內大多數人認為的更大。

模擬電路可以節省神經網絡的功耗，部分原因是它們可以有效地執行稱為乘法和累加的關鍵計算。該計算根據各種權重將輸入的值相乘，然后將所有這些值加起來。電氣工程的兩個基本定律基本上也可以做到這一點。歐姆定律將電壓和電導相乘以提供電流，基爾霍夫的“電流定律”將輸入點的電流相加。通過將神經網絡的權重存儲在諸如憶阻器之類的電阻存儲設備中，乘法和累加可以完全以模擬方式發生，從而有可能將功耗降低幾個數量級。

今天的模擬AI系統無法自我訓練的原因與組件的可有關。就像真實的神經元一樣，模擬神經網絡中的神經元的行為也不盡相同。要使用模擬組件進行反向傳播，您必須構建兩條單獨的電路路徑。一個向前提出一個答案(稱為推理)，另一個向前進行學習，以便使答案變得更加準確。但是由于模擬成分的可，這些途徑不匹配。

Bengio說：“當您反向通過網絡時，最終會積累錯誤。”為了進行補償，網絡將需要大量耗電的模數和數模電路，從而無法使用模擬。

平衡傳播允許部分地通過調整整個網絡的行為來在同一網絡上進行學習和推理。他說：“ [平衡傳播]允許我們說如何修改這些設備中的每一個，以使整個電路執行正確的操作。”“我們直接將模擬設備中發生的物理計算轉換為我們的優勢。”

目前，平衡傳播僅在仿真中起作用。但首席執行官兼聯合創始人戈登·威爾遜(Gordon Wilson)表示，Rain計劃在2021年下半年采用硬件原理驗證。他說：“我們實際上是在嘗試從根本上重新構想人工智能的硬件計算基礎，從大腦中找到正確的線索，并用這些線索為設計提供依據。”結果可能就是他們所謂的端到端模擬AI系統，該系統能夠運行復雜的機器人甚至在數據中心中發揮作用。目前，這兩種技術都被認為超出了模擬AI的功能，而模擬AI現在僅專注于為傳感器和其他低功耗“邊緣”設備增加推理功能，而將學習內容留給了GPU。