我们正站在计算系统架构根本性重塑的门槛上。来自Extropic和麻省理工学院的研究团队提出了一种热力学计算机的概念——据他们评估,这种架构在执行人工智能任务时,能效可比传统GPU计算提升高达10000倍。

从对抗噪声到利用噪声

现代处理器,包括图形加速器,消耗了巨大资源来抑制物理噪声和热涨落。然而,作者提出了一种截然不同的方法:他们不是对抗随机的热过程,而是将其整合到计算过程中。这一原理被称为热力学计算。

关键观察在于,许多AI任务——从寻找最可能的答案到优化决策——本质上都是概率性的。因此,利用自然随机物理过程的系统,在执行这些任务时可能比确定性经典处理器高效得多。

解决AI的能源危机

对替代架构的兴趣源于该行业能耗的指数级增长。大型科技公司已投入数十亿美元建设数据中心,而训练和推理现代模型对电力的需求仍在加速增长。如果热力学架构被证明可行,它不仅能够大幅削减能源消耗,还能降低AI基础设施的运营成本,减少对昂贵计算集群的依赖。

需要强调的是:目前这仍是一项基础研究,而非现成的商业产品。作者展示了架构和模拟结果,证明了其在特定任务类别上的优势。距离基于这些原理的实际芯片问世,可能还需要数年时间。

展望未来

尽管如此,这项工作鲜明地反映出行业对寻找传统计算替代方案的日益增长的兴趣。随着模型规模不断扩大,计算成本已变得与性能同等关键。在此背景下,热力学计算与量子计算和神经形态架构一道,成为重点研究方向之一。

我的专业观点:有趣的是,热力学计算的概念与同样利用物理过程进行计算的模拟神经网络原理有相通之处。然而,关键挑战在于随机过程的扩展和控制精度。如果研究人员能够解决这一问题,我们或将见证计算技术数十年来最重大的突破之一。