熱力學計算大幅降低AI圖像生成能耗

DALL-E、Midjourney、Stable Diffusion等生成式人工智能工具能生成高度逼真的圖像，但其能耗卻十分驚人。如今兩項最新研究發現，“熱力學計算”技術或能將圖像生成的能耗降至原有水平的十億分之一（https://spectrum.ieee.org/thermodynamic-computing-normal-computing）。

多數AI圖像生成工具的核心，是一種名為擴散模型的機器學習算法。開發者會向模型輸入海量圖像數據集，并為這些圖像逐步添加噪聲，直至其畫面效果堪比調諧失常的模擬電視機所顯示的雪花噪點。隨后開發者再訓練神經網絡逆轉這一過程，讓擴散模型能根據輸入的提示詞，生成全新的圖像內容。

但無論是為圖像添加噪聲，還是從雪花噪點中還原生成圖像，這類AI數字計算過程都耗費大量能源。美國加州勞倫斯伯克利國家實驗室的研究員Stephen Whitelam表示，如今基于熱力學計算的新技術，或能“以遠低于現有數字硬件的能耗成本”生成圖像。

熱力學計算技術借助可對各類噪聲產生響應的物理電路完成低能耗運算，這類噪聲包括環境中由熱運動隨機漲落引發的本底噪聲。例如，美國紐約初創企業Normal Computing研發的一款原型芯片，由8個諧振器通過專用耦合器相互連接構成。研發人員可通過調控耦合器，為待解問題搭建定制化的運算模塊；隨后激發諧振器，讓噪聲進入諧振器-耦合器網絡并完成運算過程。當系統達到平衡狀態后，研發人員便能從諧振器的全新排布狀態中讀取運算結果。

Stephen Whitelam與同事在1月10日發表于《自然?通訊》的論文中證實，打造熱力學版本的神經網絡具備可行性，這一研究為熱力學計算技術應用于圖像生成奠定了基礎（https://www.nature.com/articles/s41467-025-67958-0）。

Whitelam提出的全新技術方案，會先向熱力學計算機輸入一組圖像數據集；隨后讓計算機內部元件發生自然的隨機相互作用，讓已存儲的圖像數據逐步退化，直至連接各元件的耦合器自然達到平衡狀態。接下來，該方案會計算處于特定耦合狀態的熱力學計算機逆轉上述退化過程的概率，并通過調整耦合器的參數，將這一概率最大化。

Whitelam在傳統計算機上完成了相關模擬實驗，其成果于1月20日發表在《物理評論快報》上（https://doi.org/10.1103/kwyy-1xln）。實驗結果顯示，經上述流程訓練后的熱力學計算機，可通過自身參數設置生成手寫數字圖像；且這一過程無需依賴高能耗的數字神經網絡，也無需使用生成噪聲的偽隨機數生成器。

Whitelam表示：“這項研究表明，我們有望研發出專門執行特定機器學習任務的硬件 ——本文中即圖像生成任務，其能耗將遠低于當前的硬件方案。”

同時他也提醒，與數字神經網絡相比，現階段的熱力學計算機仍處于初級階段。“我們目前尚未掌握相關設計方法，無法打造出在圖像生成能力上媲美DALL-E這類模型的熱力學計算機，”他說道，“要實現這一目標，我們仍需攻克相關硬件的研發難題。”

盡管經他測算，熱力學計算機在能效方面相較傳統計算機具備巨大優勢，但他也指出：“要打造出能充分發揮這一全部優勢的熱力學計算機，仍面臨諸多挑戰。在短期內，相關設計方案的能效表現，大概率會介于上述理想狀態與當前數字硬件的能耗水平之間。”