热力学计算大幅减少了AI-图像能耗

DALL-E、Midjourney、Stable Diffusion 等生成式 AI 工具可生成高度逼真的图像，但其能耗极高。如今两项最新研究发现，热力学计算技术有望将图像生成的能耗降至现有水平的百亿分之一。

多数 AI 图像生成工具的核心是一种名为扩散模型的机器学习算法。开发者会向模型输入大量图像样本，并逐步为这些图像添加噪声，直至其画面效果如同调谐失常的模拟电视机所显示的静电噪点；随后训练神经网络逆转这一噪声添加过程，使扩散模型能根据输入的提示词生成全新的图像。

然而，无论是为图像添加噪声，还是从静电噪点中还原生成图像，这类 AI 数字计算过程均能耗巨大。美国 Lawrence Berkeley National Laboratory 的科研人员 Stephen Whitelam 表示，如今一项融合热力学计算的新技术，有望以远低于当前数字硬件的能耗完成图像生成工作。

借力自然噪声实现低能耗计算

热力学计算技术利用物理电路对噪声（如环境中随机热涨落产生的噪声）的响应特性，完成低能耗计算。例如，美国纽约初创企业 Normal Computing 研发的一款原型芯片，由 8 个谐振器通过专用耦合器相互连接构成；开发者可通过耦合器搭建定制化计算模块，适配所需解决的特定问题，随后激发谐振器，使其向谐振器 - 耦合器网络引入噪声并完成计算；当系统达到平衡状态后，开发者便可从谐振器的全新组态中读取计算结果。

Whitelam 与同事在 1 月 10 日发表于《Nature Communications》的论文中证实，研发出热力学版本的神经网络具备可行性，这为基于热力学计算的图像生成技术奠定了基础。

Whitelam 提出的全新技术方案，会先向热力学计算机输入一组图像样本，随后让计算机内部组件发生自然的随机相互作用，使存储的图像样本逐渐退化，直至组件间的耦合关系自然达到平衡状态；接下来，计算在既定耦合状态下，热力学计算机逆转上述图像退化过程的概率，并对耦合参数进行调整，将这一概率最大化。

Whitelam 在 1 月 20 日发表于《Physical Review Letters》的研究中，通过传统计算机完成了相关仿真实验，结果表明，经上述流程训练后的热力学计算机，可通过参数设定生成手写数字图像，且这一过程无需依赖高能耗的数字神经网络，也无需借助伪随机数生成器制造噪声。

Whitelam 表示：“这项研究表明，我们有望研发出专用硬件，以远低于当前水平的能耗完成特定类型的机器学习任务，本研究中的图像生成便是典型案例。”

Whitelam 同时提醒，与数字神经网络相比，当前的热力学计算机仍处于初级发展阶段。他指出：“我们目前尚未掌握研发出图像生成能力媲美 DALL-E 的热力学计算机的方法，要实现这一目标，还需攻克相关硬件的研发难题。”

尽管经计算，热力学计算机在能效方面相较传统计算机具备巨大优势，但 Whitelam 坦言：“要研发出能充分发挥这一能效优势的热力学计算机，仍面临诸多挑战。短期内，相关设计的能效表现大概率会介于理想状态与当前数字硬件的能耗水平之间。”