在生成式技术快速发展的背景下，算力需求与能耗压力同步攀升，如何以更低能耗完成复杂推理与生成，成为全球科技界关注的关键议题。
近日，美国劳伦斯伯克利国家实验室科学家团队提出“热力学计算”思路，尝试让计算过程更多依托自然界普遍存在的热波动与能量变化，以减少传统数字计算中为“制造噪声、维持逻辑翻转”所付出的能量代价，为高能耗的生成式任务提供一种可能的节能新路径。
一是问题：生成式计算能耗与算力扩张矛盾突出。
当前主流计算体系以晶体管开关实现0和1的逻辑运算，虽然具备高可靠性与可扩展性，但在大规模并行训练与推理中，电力消耗、散热与基础设施投入持续上升。
尤其在图像生成等任务中，模型需要引入随机性以获得多样化输出，随机噪声的生成与处理本身也会带来额外能耗。
算力增长与能源约束之间的矛盾，正在倒逼产业寻找更高能效的计算范式。
二是原因：传统路径“主动造噪声、强制求解”，存在能量成本。
研究人员指出，数字芯片往往需要消耗能量来模拟或产生伪随机噪声，并在离散逻辑门之间不断进行状态翻转；为了保证计算过程稳定可控，还需配套复杂的时钟、存储与纠错机制。
这些做法提升了结果可重复性，却也在客观上抬高了单位计算的能耗。
相比之下，物理系统自身就存在热涨落与随机波动，如果能把这种“自然噪声”转化为可被利用的计算资源，理论上可减少人为制造随机性的能量支出，从源头改善能效。
三是影响：或为“用物理过程算出答案”提供新范式。
所谓“热力学计算”，核心在于把问题映射到一个物理网络结构中，让系统在热噪声与耦合关系的共同作用下，沿着能量更“合适”的方向演化，直至达到热平衡或稳定态，此时系统的状态即可对应计算结果。
研究团队提出构建“热力学神经网络”的设想，并在随后研究中通过模拟方法验证相关机制。
与此同时，纽约一家初创企业已开发包含八个谐振器的原型芯片，通过耦合器连接形成网络，利用谐振器引入噪声，待系统自然趋于平衡后读取新的配置作为输出结果。
该路径的潜在意义在于：把部分计算负担从“数字电路的强制运算”转向“物理系统的自然演化”，在理论上为超低能耗生成式计算打开想象空间。
值得注意的是，研究中提出的“能耗可降至极低水平”属于理论层面的能效上限判断，现实系统还需考虑读写接口、控制电路、误差累积、环境扰动、制造工艺等多重因素。
即便如此，在全球能源成本上升、碳减排目标强化的大背景下，任何可能显著提升能效的新路线，都具有重要的科研与产业探索价值。
四是对策：从“原理验证”走向“工程可用”，需多学科协同攻关。
研究人员也坦言，目前方案仍处于“雏形阶段”，原型装置的规模与稳定性与成熟数字平台尚不可同日而语。
下一步推进，至少需要在三方面发力：其一，材料与器件层面需提升谐振器等关键元件的一致性与可控性，降低漂移与噪声不可控带来的误差；其二，系统工程层面要解决可扩展互连、可靠读出与控制问题，使物理网络能在更大规模上保持可训练、可复现；其三，算法与应用层面要明确哪些任务最适合该类计算机制，探索与现有数字系统的协同方式，形成可落地的混合架构，避免“从零替代”带来的高昂迁移成本。
五是前景：能效竞赛或将从“制程与堆算力”延伸到“新物理与新架构”。
随着传统路线逐步逼近功耗与散热的现实边界，面向特定任务的专用加速器、类脑计算、光电计算以及利用热力学过程的计算探索，可能在未来共同构成算力体系的多元供给。
热力学计算若要真正进入产业视野，关键不在于单点“极低能耗”的理论吸引力，而在于能否在可控、可扩展、可编程、可量产等指标上形成综合优势。
短期看，它更可能以实验平台或特定场景加速模块的形式出现；中长期看，若相关器件与系统工程取得突破，或将为生成式任务提供更低能耗的硬件选项，并带动计算范式从“完全数字化”向“物理过程参与计算”的方向拓展。
热力学计算的提出代表了人类在计算技术发展中的一次重要转向——从单纯追求计算速度向追求计算效率的转变。
这一创新充分体现了科学研究中"顺应自然、利用自然"的智慧。
虽然该技术距离大规模应用仍有距离，但其所代表的新思路已为全球科技界指明了方向。
随着材料科学和工程技术的不断进步，热力学计算有望在未来成为解决AI能耗问题的重要手段，为人工智能的可持续发展奠定坚实基础。