当全世界都在为如何喂养耗能巨大的神经网络而绞尽脑汁时,来自Extropic和麻省理工学院的一组工程师提出了一个截然不同的路径。他们的概念——热力学计算机——可以将某些人工智能任务的能耗相比传统GPU降低10000倍。这不仅仅是优化,而是一次范式转变。

化敌为友

现代处理器与热噪声进行着无休止的战争。每个晶体管都追求完美的确定性,抑制被视为干扰的随机波动。但这项研究的作者们提出,不应与混沌对抗,而应加以利用。他们方法的基础是热力学计算(Thermodynamic Computing),其中随机的热过程成为算法的一部分。

为什么这有意义?许多人工智能任务——例如在语言模型中寻找最可能的答案,或在优化问题中寻找最优解——本质上都是概率性的。传统处理器通过确定性链条模拟随机性,耗费了巨大的资源。而热力学计算机则自然地执行此类计算,将物理噪声作为工作工具。

人工智能行业的能源危机

对替代架构的兴趣源于严峻的现实:用于训练和推理大型模型的数据中心能耗呈指数级增长。亚马逊、谷歌和微软等巨头已投入数十亿美元建设新设施,电力需求仍在不断增加。如果热力学方法被证明可行,它不仅能减少电费开支,还能通过降低对昂贵集群的需求,降低人工智能开发的准入门槛。

目前,这仍停留在基础理论和模拟阶段,而非成品芯片。距离商业样品可能还需要数年时间。然而,这一研究方向——与量子计算和神经形态计算并列——预示着正在酝酿的革命。该行业已不能再仅仅依赖摩尔定律和晶体管数量的增加。能效正成为最重要的衡量标准。

专家观点: 热力学计算是对冯·诺依曼确定性架构与人工智能概率性本质之间根本矛盾的一种优雅回应。如果这一想法能在硬件上实现,我们将见证的不仅仅是进化,而是效率上真正的量子跃迁。然而,不应期待立竿见影的结果——从实验室模拟到工业芯片的道路漫长而曲折。