热力学计算机：新方法可将人工智能能耗降低10000倍
当人工智能行业正与指数级增长的电力账单作斗争时，来自Extropic公司和麻省理工学院的一组研究人员提出了一条截然不同的道路。他们的概念——热力学计算机——向现代计算的基本原理发起挑战，有望将人工智能的能效提升高达10000倍。
摒弃决定论：将噪声作为工具
现代GPU和处理器建立在确定性计算的基础上，其中任何热波动和物理噪声都被视为需要抑制的寄生效应。为对抗这种“噪声”，大量资源被消耗。研究作者们提议颠覆这一范式。他们不抑制随机的热过程，而是打算将其用作计算机制的一部分。这一原理被称为热力学计算。
关键观察在于，许多人工智能任务——从语言模型中寻找最可能的答案到优化复杂系统——本质上都是概率性的。传统处理器通过确定性算法模拟随机性，从而消耗能量。相反，热力学计算机直接利用自然的物理随机性，从而有可能以最低能耗完成此类任务。
人工智能的能源危机与新希望
对这类架构的兴趣源于严峻的现实。大型科技公司正投入数十亿美元建设数据中心，而训练GPT类模型的电力需求正以爆炸性速度增长。如果热力学方法能证明其可行性，它不仅会降低能耗，还将从根本上改变人工智能基础设施的经济性，减少对昂贵集群和冷却系统的需求。
规划前景：从理论到硅片
需要明确的是：这属于基础研究，而非成品。目前，研究团队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。距离基于热力学原理的商业芯片问世，可能还需数年时间。然而，这项研究本身就是一个鲜明标志，指明了行业的发展方向。随着模型规模扩大，人们不仅关注其性能，也越来越重视计算成本。热力学计算机与量子计算机和神经形态系统并列，成为通往可持续人工智能未来的关键路径之一。
分析师观点： 热力学方法优雅地解决了硅的确定性与智能的概率性之间的根本不匹配问题。如果研究人员能成功制造出工作原型，这可能成为如同从CPU转向GPU训练神经网络一样的突破。然而，从理论到硬件实践的路径充满荆棘，并伴随着诸多工程权衡。