AI 能耗的救星来了！
最新研究提出了革命性的可逆芯片，通过让计算「倒着走」，有望将AI能耗直降10倍。
这听起来像是天方夜谭，但实际上却是基于深刻的热力学原理。
为什么AI 这么烧钱？
现在的AI 模型越来越大，数据中心的电费账单也越来越吓人。
问题的根源，在于一个叫「兰道尔极限」的物理定律。简单来说，每删除一个比特的信息，都必然产生热量。
这是熵增原理的体现——
就像你把牛奶搅进咖啡后，再也无法完美分离。
传统计算机在运算时会不断删除中间数据，比如算2+2=4时，原本的两个2就消失了。
这种信息的丢失，则直接转化成了热量。
随着晶体管越做越小，散热问题愈发严重。数据中心不仅要为计算付电费，还要花大钱给芯片降温，不断攀升的成本正在限制AI模型的规模。
OpenAI CEO 萨姆·奥特曼最近在国会发言中也指出：
「很难夸大能源对未来的重要性。最终，芯片和网络设备都将由机器人制造，会变得非常高效和便宜。但电子就是电子。AI的成本最终会收敛到能源成本，智能的丰富程度将受限于能源的丰富程度。」
他甚至断言：「对美国长期战略投资而言，我想不出比能源更重要的事情了。」
可逆计算：永不删除的魔法
而可逆计算的核心理念惊人地简单：避免删除数据，就能避免产生热量。
具体怎么做呢？
不是存储所有中间结果，而是采用「反计算」策略：
-
正向运行方程
-
复制答案
-
反向运行，回到起点
整个过程中没有任何信息被抹去，所以不会产生兰道尔极限规定的那部分热量。
信号在电路中缓慢移动，最后回到起始位置，电荷被回收而不是释放到地线。
这就像记录下每一步的轨迹，完成任务后再原路返回，不留下任何痕迹。
从理论到现实的坎坷之路
早在1961年，IBM物理学家罗尔夫·兰道尔就证明了信息删除与热量的必然联系。他最初设想的可逆计算机需要保存所有操作记录，会迅速耗尽内存，因此认为这是死路一条。
十年后的1973年，兰道尔的同事查尔斯·贝内特提出了突破性的「反计算」概念——
不需要永久保存所有信息，只要运行完正向计算后再反向运行即可。代价是运行时间大约翻倍，但从根本上解决了能量损失问题。
1989年，贝内特进一步证明，通过稍微增加内存使用，可以大幅缩短反计算时间。研究者们开始优化细节，在时间和内存之间寻找最佳平衡。
90年代，MIT的工程师团队制造了首批原型芯片，改进了传统电路中的低效设计。迈克尔·弗兰克作为博士生加入团队，成为可逆计算的主要推动者。
但千禧年后，热情冷却了。
弗兰克回忆：「评审专家说这技术很有用，应该找工业界资助。但企业根本听不懂你在说什么，他们觉得太疯狂了。」
当时传统芯片还在指数级改进，谁会关心遥远的能耗问题？
弗兰克一度放弃研究，甚至开了家网吧，毕竟也能搞点小钱😂
但，物理极限终究来了。
传统芯片已经无法继续缩小，能耗成为最大瓶颈。弗兰克在桑迪亚国家实验室组建研究团队，重新推动这项技术。
关键突破
剑桥大学研究员汉娜·厄利在2022年发表了里程碑式的论文，严格计算了可逆计算机的效率极限。
她发现了一个微妙的关系：可逆计算机仍会产生一些热量（比如电压开启时金属导线会发热），但运行速度越慢，发热越少。
这个精确的数学关系为实际应用指明了方向。
AI：可逆计算的完美搭档
AI 工作负载的特点让可逆计算找到了用武之地——
AI 计算天然具有高度并行性，可以把任务分配给许多处理器同时运行。
这创造了一个绝佳机会：使用更多的可逆芯片，但让每个芯片运行得更慢。
虽然芯片数量增加了，但每个芯片的能耗下降更多，总体上实现了巨大的节能。
而更为巧妙的是，慢速运行意味着：
-
散热需求大幅降低，可能根本不需要昂贵的冷却系统
-
芯片可以排列得更紧密，减少空间占用
-
通信成本降低，因为芯片之间距离更近
所有这些都是当前AI 基础设施的主要瓶颈。
商业化曙光初现
投资者已经注意到了这个机会。
厄利与弗兰克共同创立了Vaire Computing公司，正在开发首款商用可逆芯片。
这款芯片专门针对AI的大规模并行计算进行设计。
哥本哈根大学的托本·埃吉迪乌斯·莫根森表示：
「最令人兴奋的是终于能看到可逆处理器投入实际生产，让我们真正使用它们。」
波特兰州立大学研究非传统计算方法的克里斯托夫·托伊舍尔评价：
「改善功耗的方法已经不多了。可逆计算是一种真正有益、令人兴奋的方式，可能节省几个数量级的能源。」
经过几十年的理论探索和技术积累，可逆计算终于迎来属于它的时代——
随着AI对算力的需求不断攀升，而传统芯片已经触及物理极限，这项曾被认为「不切实际过于疯狂」的技术，可能成为延续计算进步的关键。
当奥特曼说「AI 成本终将等于能源成本」时，可逆计算或许正是破局的关键。在能源成为终极瓶颈之前，我们还有机会通过技术创新将能耗大幅降低。
以退为进，或许也是AGI 的另一种姿态。
（文：AGI Hunt）