人工智能图像生成能否助力节能减排？研究仍在深入探讨

科学家们正在 探索 一种新型计算，它利用自然能量流，可能会更高效地执行人工智能任务。

热力学计算与依赖固定电路和精确计算的传统数字计算机不同，它利用随机性、噪声和物理交互来解决问题。

这个想法是，这种方法可以让人工智能工具，比如 图像编辑器，运行时消耗的电力远低于现在的系统。

热力学图像生成的工作原理

热力学图像生成的过程与普通计算相比是比较特殊的。它的过程是计算机接收一组图像，然后允许这些图像“退化”。

在这个上下文中，“退化”并不意味着图像被删除或损坏，而是指图像中的数据允许因系统中的微小波动而自然扩散或变化。

这些波动是由物理能量在计算机组件中流动引起的，就像微小的电流和振动。

随着时间的推移，这些相互作用导致图像变得模糊或嘈杂，造成一种自然的混乱 - 然后，系统测量逆转这种混乱的可能性，调整其内部设置以使重建更有可能。

通过多次运行这个过程，计算机慢慢恢复原始图像，而不按照传统计算机的逐步逻辑进行。

劳伦斯伯克利国家实验室的研究员斯蒂芬·怀特拉姆已经证明，热力学计算能够生成一些简单的图像，比如手写数字。

这些输出比 DALL-E 或 Google Gemini 的 Nano Banana Pro 等 AI 图像生成器的输出要简单得多。

不过，研究表明，物理系统能够执行基本的机器学习任务，这展示了 AI 可能运作的新方式。

不过，要将这种方法扩展到生成高质量、功能齐全的图像，就需要新类型的硬件。

支持者表示，热力学计算可以将 AI 图像生成所需的能量减少到标准计算机的十亿分之一。

如果成功，这将大大减少运行 AI 模型的数据中心的能耗。

虽然第一个热力学计算芯片已经制造出来，但目前的原型仍然比较基础，无法与主流的 AI 工具 相媲美。

研究人员强调，这个概念目前仅限于基本原理，实际应用还需要在硬件和计算设计上取得突破。

“这项研究表明，有可能制造出硬件来进行某些类型的机器学习……其能耗将远低于我们现在的水平，”怀特拉姆告诉 IEEE。

“我们还不知道如何设计一个热力学计算机，使其在图像生成方面与 DALL-E 一样出色……我们仍然需要弄清楚如何构建这样的硬件。”