废热变算力：MIT团队让芯片"发烧"也能干活

你的笔记本电脑烫得能煎蛋，数据中心散热吃掉三成电费——如果这股热量本身就是计算资源呢？

MIT士兵纳米技术研究所的Giuseppe Romano团队刚证明：废热可以编码数据，完成机器学习的基础运算。这不是概念验证，他们造出了实体结构，准确率超过99%。

把"敌人"变成工具

电子设备的散热从来都是成本中心。

芯片厂砸钱堆散热片，数据中心把机房建在北极圈附近。Caio Silva——MIT物理系本科生、这篇论文的第一作者——点破了行业的惯性思维：「大多数时候，你在电子设备里做计算，热量是废品。你总想甩掉它。但这里我们反着来，把热量本身当成信息形式。」

这个"反着来"需要重新设计整个计算范式。

传统数字计算用二进制编码，0和1对应电压高低。Romano团队的模拟计算（analog computing，模拟计算）直接把输入数据编码成一组温度值——用的就是设备原本产生的废热。

热量流经特定设计的硅微结构，输出端收集到的功率分布就是计算结果。没有额外耗电，没有晶体管开关，物理过程本身就是运算。

矩阵乘法的物理实现

他们选了一个有战略意义的靶点：矩阵向量乘法。

这是大语言模型处理信息、做预测的核心数学操作。Transformer架构里的注意力机制、前馈网络，底层全是这个运算在跑。Romano团队用温度场实现了它的简化版本。

关键在硅结构的设计。团队开发了一套基于物理的优化算法，算出什么样的微结构能让热量按预定路径流动，从而在输出端形成正确的功率分布。输入温度对应矩阵元素，结构本身编码了矩阵的"权重"，输出端的功率读数就是乘法结果。

实测准确率在很多场景下突破99%。这个数字意味着：物理近似误差被控制在了工程可用范围内。

但瓶颈也很明显。矩阵复杂度上去之后，输入输出端距离拉远，精度会掉。现代深度学习模型的矩阵维度动辄百万级，怎么把海量这种结构拼接起来（tiling），团队还没解决。

两个落地场景

别急着说"等规模化再说"。这项技术有更近的变现路径。

第一，芯片热管理本身。现在的温度监测靠多个传感器占位，耗电、占面积、布线复杂。Romano的方案可以无感检测异常热源，追踪温度变化，零额外能耗。

第二，边缘设备的能效突围。物联网传感器、植入式医疗设备这类场景，供电是硬约束。如果环境废热（比如人体体温、机器运转热）能直接驱动简单推理，电池寿命可以大幅延长。

这两个方向都不需要等到百万级矩阵拼接成熟。

模拟计算的回归逻辑

这其实是条回头路，但回得有道理。

数字计算统治计算机架构几十年，靠的是抗噪声、可编程、易扩展。但AI workload的特定结构——尤其是矩阵运算的密集性——让模拟计算重新有了窗口。光计算、存算一体、现在的热计算，都在挖同一个逻辑：把物理过程直接映射到数学运算，跳过"物理→数字→物理"的转换损耗。

热计算的差异化优势是"就地取材"。光计算需要激光源，存算一体需要新型存储器，而任何电子设备天生产热。这是真正的"废物利用"基础设施。

Romano的背景也值得关注。他在MIT士兵纳米技术研究所，这个机构的研究方向是把前沿材料科学转化为战场可用技术。热计算的零额外功耗、极端环境适应性，显然契合这个语境。

技术史的一个注脚

2024年的AI硬件创新正在多点开花。

同一天的技术新闻里，Niantic的AI子公司在用300亿张玩家上传的城市地标图训练世界模型，OpenAI首席科学家Jakub Pachocki在谈公司的"新宏大挑战"。斯坦福2026年AI指数报告（预发布）的标题是"AI在冲刺，我们在追赶"。

Romano团队的论文体量不大，但指向一个被低估的变量：当算力需求指数级膨胀，能源约束会不会倒逼计算范式发生迁移？

热计算现在做不了GPT-4级别的推理。但它在证明一件事：计算的物理载体还有重新发明的空间。数字霸权不是终局。

值得跟进的三个信号

第一，精度衰减的数学边界。团队提到"大距离导致精度下降"，这个距离-精度 trade-off 有没有理论极限？能不能用级联结构补偿？

第二，工艺兼容性。这些硅微结构能用标准CMOS流片吗？还是需要特殊材料或后处理？这决定成本曲线。

第三，热流控的响应速度。温度场建立和消散的时间尺度，能不能跟上实时推理的需求？论文没提动态性能，这是工程化的关键未知数。

如果这三个问题有积极答案，热计算可能从"学术猎奇"变成"边缘AI的标配选项"。

你的下一个项目如果卡在功耗上，不妨把废热预算重新算一遍——它可能不只是成本，还是未被开采的算力矿。