每一台传统计算机芯片都在与一个基本麻烦进行持续斗争：由热能引起的原子和电子的随机抖动。这种噪声限制了晶体管可以缩小的程度，并迫使芯片消耗大量能量仅仅为了维持可靠运行。
一个虽小但不断壮大的物理学家和工程师群体正在质疑这场斗争是否值得，或者噪声是否可以被转化为计算资源。结果便是一个新兴领域，热力学计算，它利用随机热波动而非抑制它们。
正如Normal Computing首席科学家Patrick Coles所说：”这个领域是关于设计利用热力学作为计算资源的计算机。”
工作原理
核心洞见来自物理学。一个简单的电路，由电阻、电容和电感组成的网络，当它的组件受到热噪声的冲击时，会自然地探索许多可能的状态。如果电路被设计成最稳定状态对应于某个数学问题的解，那么系统只需通过趋于平衡就能找到该解。
这类似于蛋白质折叠，其中一条长氨基酸链随机”摆动”直到找到能量最低的形状。自然界几十亿年来一直在进行这种计算。
劳伦斯伯克利国家实验室的科学家Stephen Whitelam通过构建一个能够去噪图像的电路演示了这一原理，从随机静态中重建出可识别的图像，同时散发的热量比执行相同任务的传统数字神经网络少约1000亿倍。”迄今为止我们为热力学计算设计的计算机只能达到大约1990年小型数字神经网络的能力，”Whitelam告诉Quanta Magazine。
两种方法
两种不同的策略已经出现。由前Google Brain和Google X研究人员创立的初创公司Normal Computing构建平衡系统，利用RLC电路（电阻、电感、电容）网络通过其自然热波动执行计算。该公司于2025年在《自然·通讯》上发表了经同行评审的演示，并已流片其首款专用热力学芯片CN101，用于运行多模态扩散模型。
由前Google量子研究人员创立的第二家初创公司Extropic则采用非平衡方法。其XTR-0平台使用数千个半导体组件，通过注入噪声驱动来执行概率计算。该公司声称，该方法在生成式AI推理中可能比传统硬件能耗低一万倍，尽管结果仅以预印本形式发表，尚未经过同行评审。
未来方向
热力学计算并非数字计算机的替代品。它最适合特定类别的问题：涉及概率、采样和优化的那些问题，正是主导现代AI的那类计算。扩散模型、贝叶斯推理和分子模拟都涉及探索庞大的可能性空间，并且都可能受益于能够自然完成这一过程而非通过暴力数字模拟的硬件。
该领域仍处于早期阶段。Normal Computing的路线图计划在未来几年内推出功能越来越强的芯片，但即使是其自己的研究人员也将当前状态比作20世纪90年代的量子计算。Whitelam从生物学角度提供了一个视角：”以我物理学家的思维方式来看，可以说自然界使用的是由进化编程的朗之万计算机。”
现在的问题是，研究人员能否构建这些生物计算机的工程版本，并使它们发挥作用。
婷 翻译
Sources
- Quanta Magazine: “Thermodynamic computers go with the energy flow” (July 15, 2026)
- Melanson, D., et al. “Thermodynamic computing via equilibrium fluctuations.” Nature Communications (2025). DOI: 10.1038/s41467-025-58199-y
- Whitelam, S. “Generative learning of nonequilibrium thermodynamic computers.” Physical Review Letters (2026)