科学家团队提出了一种名为“热力学计算”的全新计算模式，理论上可将人工智能图像生成所需的能耗大幅削减至现有水平的百亿分之一。这项突破性研究由劳伦斯伯克利国家实验室主导，其核心原理是通过利用物理系统的自然热运动完成计算，而非传统数字芯片依赖的晶体管开关操作。
传统计算机通过晶体管的“开/关”状态表示二进制数据，这种模式需要持续消耗电能维持运算状态。研究团队提出的热力学计算则借鉴了自然界的能量流动规律，通过设计特定的物理系统，让其在热平衡过程中自动呈现最优解。科学家形象地比喻道：“这就像引导水流自然汇入低洼处，而非用泵强行改变水流方向。”
主导该研究的斯蒂芬·怀特兰姆博士与科内尔·卡塞特博士在《自然-通讯》期刊发表的论文中，首次提出了构建“热力学神经网络”的理论框架。他们随后在《物理评论快报》发表的补充研究中，通过传统计算机模拟验证了这种新型计算架构的可行性。研究指出，数字芯片需要额外能量制造伪随机噪声，而热力学系统可直接利用环境中的自然热波动作为计算资源。
纽约初创企业Normal Computing已率先开展硬件实践，开发出包含八个谐振器的原型芯片。该系统通过特制耦合器连接谐振器，在计算过程中主动引入环境噪声，待系统自然达到热平衡状态后，谐振器的最终配置即代表计算结果。这种设计从根本上消除了模拟噪声所需的能源消耗，为低功耗计算提供了全新路径。
尽管实验原型已验证理论可行性，研究人员坦言当前技术仍处于萌芽阶段。现有设备在计算规模、稳定性和处理速度上，与英伟达GPU集群等成熟数字系统存在巨大差距。要实现商业化应用，需要在材料科学和芯片架构设计领域取得突破性进展，特别是要解决如何精确控制物理系统热运动的关键难题。
