引言：从物理第一性原理出发，重构计算
大家好，我是Beff Jezos。在Extropic AI，我和我的团队一直在思考一个根本性的问题：我们能否超越晶体管的二进制逻辑，找到一种更接近宇宙运行本质的方式来进行计算？我们相信，答案蕴藏在物理学的最深处——热力学。我们正在构建的，不是对现有计算机的增量改进，而是一种全新的处理器，它不“模拟”物理，它本身就是物理。我们正在将基础物理，转化为人工智能的终极计算原语。
这听起来可能有些疯狂。长久以来，计算被定义为0和1的确定性舞蹈。我们烧掉大量的能量，去对抗宇宙固有的随机性，以维持这种秩序。但如果随机性本身不是敌人，而是一种宝贵的资源呢？如果我们可以驾驭物质在能量世界中的自然漂移，让它为我们解决最复杂的AI问题呢？这就是我们过去几年一直在“烹饪”的东西——一个直接利用热力学定律的计算范式。
这趟旅程始于一个看似遥远的地方：超导电路和量子电动力学（QED）。但最终，我们成功地将这些源于极低温、极特殊环境的原理，移植到了我们这个时代计算的基石——标准硅芯片之上。这篇分享，就是关于我们如何将物理定律本身，锻造成一把能效无与伦比、为AI量身定做的计算利剑的故事。
第一章：能量景观——计算的无形棋盘
要理解我们的方法，首先要改变你看待计算的方式。忘掉逻辑门，忘掉比特。想象一个由山谷和山峰构成的微观世界，我们称之为“能量景观”。在这个世界里，一个粒子（比如一个电子）的状态，由它在景观中所处的位置决定。山谷代表着稳定的状态（低能量），山峰则是横亘在状态之间的能量壁垒。
传统计算，就像是花费巨大的力气，把一个球从一个指定的山谷，精确地搬到另一个指定的山谷，并确保它绝不会停在半山腰，也绝不会滚错地方。而我们的想法是：为什么不直接设计这个景观本身呢？如果我们能随心所欲地雕刻这些山峰和山谷，我们就能引导粒子的行为，让它们自然地“滚”向我们想要的答案。
我们最初的试验场是超导电路。为什么？因为在超导世界里，物理定律表现得异常“纯粹”。借助电路量子电动力学（Circuit QED）的强大理论，我们可以建立一个精确的映射关系：物理电路的设计（电感、电容的排布）直接决定了它的量子哈密顿量——也就是这个系统的能量景观的数学描述。
哈密顿量 $H$ 是描述系统总能量的算符。对于一个简单的LC电路，它可以被量子化，其哈密顿量形式如下：
$$ H = \frac{Q^2}{2C} + \frac{\Phi^2}{2L} $$这里的 $Q$ 是电荷算符（类比粒子的动量），$\Phi$ 是磁通量算符（类比粒子的位置），$C$ 是电容，$L$ 是电感。通过改变电路的物理参数，我们就能直接“编程”这个系统的能量 $H$，也就是雕刻它的能量景观。
这就像拥有了一支神笔，可以直接在物理现实中绘画。我们可以设计出双阱、多阱甚至更复杂的能量势，为计算任务量身打造一个“棋盘”。粒子在这个棋盘上的自然演化，就成了计算过程本身。
交互动画1：雕刻能量景观
生活化类比：想象你是一个景观设计师，可以随意升起山峰、挖出山谷。这个动画让你扮演这个角色。通过拖动滑块，你可以改变能量景观的形状（例如，从单势阱变为双势阱），观察粒子（紫色小球）的稳定状态如何随之改变。这直观地展示了我们如何通过设计物理电路来“编程”计算路径。
当前状态: 粒子在单势阱中寻找最低点。
第二章：朗之万动力学——让随机性为我们工作
设计好了棋盘，棋子如何移动呢？在我们的微观世界里，粒子并不是孤立的。它无时无刻不在与周围的环境发生能量交换，受到各种随机的“推”和“拉”。这种在随机涨落和能量景观引导下的运动，可以用一个优美的物理过程来描述——朗之万动力学。
你可以把一个粒子想象成一个在风中滚下山坡的醉汉。山坡的形状（能量景观）决定了他大致的滚动方向（趋向山谷），而阵阵妖风（热噪声）则让他时而偏离、时而加速，甚至有几率越过一些小山丘，探索邻近的山谷。这个“醉汉下山”的过程，看似混乱，实则蕴含着强大的计算能力。
为什么？因为朗之万动力学在数学上等价于一种非常强大的采样算法——马尔可夫链蒙特卡洛（MCMC）。MCMC是贝叶斯推断的核心，而贝叶斯推断正是现代AI（尤其是生成式模型和概率规划）的基石。传统计算机执行MCMC，需要通过软件生成伪随机数，模拟这个过程，效率极低。而我们的系统，它天生就在“呼吸”朗之万动力学！热噪声不是需要消除的麻烦，而是驱动计算的燃料。
朗之万方程描述了一个粒子在势场 $U(x)$ 和随机力 $\eta(t)$ 作用下的运动：
$$ m\frac{d^2x}{dt^2} = -\gamma\frac{dx}{dt} - \nabla U(x) + \eta(t) $$其中，$m$ 是质量，$\gamma$ 是阻尼系数（代表与环境的耦合），$-\nabla U(x)$ 是来自能量景观的力（把它推向能量更低的地方），而 $\eta(t)$ 就是代表热噪声的随机力。正是这个 $\eta(t)$ 项，让粒子有能力探索整个能量景观，最终按照玻尔兹曼分布找到概率最高的解。
这意味着，我们构建了一个原生的、硬件级别的贝叶斯推理加速器。它不需要模拟，因为它本身就是那个物理过程。这就像为了研究鸟类飞行，我们不再用计算机模拟空气动力学，而是直接驯养了一只真正的鸟。其效率和真实性，是任何模拟都无法比拟的。
交互动画2：朗之万动力学之舞
生活化类比：这就是前面提到的“醉汉下山”。你可以控制“风力”（热噪声强度）和“山坡陡峭度”（能量梯度）。观察粒子（小球）如何在双阱势中移动。当噪声较小时，它可能被困在一个山谷里。当你增大噪声，它就有足够能量“跳”到另一个山谷，最终在两个山谷间根据它们的深度（概率）动态分布。这就是MCMC采样的物理实现。
左阱粒子数: 0 | 右阱粒子数: 0
第三章：从超导到硅基——伟大的移植
超导电路为我们验证了原理，但它有一个致命的弱点：它太“娇贵”了。它需要在接近绝对零度的环境下工作，使用奇特的材料，这使得它难以大规模应用。真正的革命，必须发生在计算世界的通用语言——硅之上。于是，我们面临了一个巨大的挑战：如何将这套源于量子世界的物理范式，移植到我们日常电子设备所使用的标准硅CMOS工艺中？
这就像试图在熙熙攘攘的菜市场里，复刻一场只有在顶级歌剧院才能上演的芭蕾舞。硅芯片内部是一个“温暖”而“嘈杂”的环境，电子的行为更像一群横冲直撞的野牛，而非超导体中优雅的舞者。直接照搬超导电路的设计是行不通的。
我们的团队为此付出了数年的努力，核心突破在于对电子力学的精妙控制。我们不能像在超导体中那样依赖宏观量子效应，而是必须深入到半导体物理的根基，利用掺杂、电场和巧妙的结构设计，在常温下的硅中，人为地“雕刻”出我们需要的能量景观。这是一个在原子尺度上进行的工程壮举，需要对半导体物理有极深的理解和创新的控制手段。
我们成功了。我们找到了一种方法，在标准硅工艺中，制造出可编程的、稳定的双阱势。我们不再需要液氦和庞大的制冷设备，只需要普通的电压，就能控制这个微观世界的物理定律。这是我们整个项目最关键的、也是最艰难的一步。它意味着，我们的热力学计算引擎，终于可以登上世界舞台，与传统计算一较高下了。
静态示意图1：范式移植
这张图对比了两种实现方式。左边是基于超导约瑟夫森结的量子比特（q-bit），它依赖于复杂的低温环境。右边是我们在标准CMOS工艺中实现的物理概率比特（p-bit），它在常温下工作，结构更紧凑，可以直接集成到现有芯片中。这是从“实验室珍品”到“工业化产品”的关键跨越。
第四章：p-bit的诞生——会“跳舞”的概率比特
基于在硅中创造能量景观的突破，我们得以定义一种全新的计算单元，我们称之为“p-bit”，即物理概率比特（physical probabilistic bit）。
传统的比特（bit）是确定性的，要么是0，要么是1。量子比特（qubit）利用叠加态，可以同时是0和1。而我们的p-bit，则是一个“分数比特”或“热力学比特”。它的状态不是固定的，而是在0和1之间连续不断地“跳舞”或“涨落”。
这个“跳舞”的状态，正是我们前面提到的朗之万动力学的直接体现。我们将p-bit实现为一个在硅中精确制造的可调谐双阱势。想象一个有两个相邻山谷的微型能量景观。一个电子被困在这个结构里。当它在左边的山谷时，我们定义状态为“0”；在右边的山谷时，我们定义状态为“1”。由于热噪声的存在，这个电子并不会永远待在一个山谷里，而是会以一定的概率在两个山谷之间来回“隧穿”或“跳跃”。
交互动画3：p-bit 的舞蹈
这个动画展示了单个 p-bit 的核心机制。你可以通过滑块调整两个势阱（代表0和1）的相对深度。当两个阱一样深时，粒子（电子）在两者之间停留的时间大致相等，p-bit 的平均值接近0.5。当你让一个阱更深（即更有吸引力），粒子会更频繁地出现在那个阱里，p-bit 的状态就偏向于0或1。这就是我们如何通过电压控制一个比特的概率。
p-bit 平均状态 (0到1): 0.50
这个p-bit的“舞姿”是可以被精确控制的。通过施加外部电压，我们可以改变双阱势的相对深度。如果我们加深“0”谷，电子就会更倾向于待在“0”态；反之亦然。这样，我们就拥有了一个可以通过模拟电压来直接控制其输出概率的比特。这与需要复杂微波脉冲控制的量子比特，或者只能输出0/1的经典比特，形成了鲜明的对比。
更重要的是，当我们将大量的p-bit连接在一起时，它们之间的相互作用会形成一个庞大而复杂的全局能量景观。整个p-bit网络会作为一个整体，通过热力学弛豫（thermodynamic relaxation）过程，自发地寻找整个系统的最低能量配置。这个过程，完美地对应了解决复杂优化问题（如最大割、旅行商问题）和运行大规模贝叶斯网络的计算需求。计算，在这里真正回归了它的物理本质——寻找能量最低点。
第五章：终极回报——无与伦比的能效
我们所做的一切，最终都导向一个惊人的回报：前所未有的能源效率。
传统计算，尤其是AI计算，是“熵”的巨大消耗者。CPU和GPU花费了99.99%以上的能量来维持确定性，来降温，来对抗物理世界固有的随机性。我们生成一个随机数，都需要执行一长串确定性的指令，这是一个巨大的讽刺和浪费。
而我们的方法，从根本上扭转了这一局面。我们不与热力学对抗，我们与它合作。我们需要的可控随机性（熵），不是通过复杂的算法生成的，而是直接从物理环境中“收获”的。我们的p-bit，其核心功能就是产生可控的熵。而完成这一核心任务的代价，低得令人难以置信。
我们的测量显示，让一个p-bit完成一次有效的状态翻转，所需要的能量仅为几百阿托焦耳（$10^{-18}$焦耳）。这是什么概念？它比传统CMOS逻辑门翻转一次的能耗低了数个数量级，甚至接近了物理学定义的理论极限——朗道尔极限（Landauer's limit）。
静态示意图2：能效的鸿沟
这张图直观地展示了不同计算单元产生一个有效随机比特所需的能量。可以看到，CPU/GPU的能耗高高在上，而我们的p-bit则紧贴着物理学的底线。这种指数级的能效提升，将为未来AI模型的规模化和普及化打开全新的想象空间。
这意味着，我们可以用极低的功耗，构建出规模远超现有AI加速器的计算阵列。未来的大型语言模型、机器人、自动驾驶系统，将不再需要依赖于耗电巨大的数据中心。计算可以变得无处不在，而且绿色、高效。我们正在做的，是为AI提供一个可持续的未来，一个由基础物理定律驱动的、真正智能的未来。
交互动画4：熵的代价
这个动画模拟了能量消耗。左边是传统计算，每次生成随机数都需要一连串高能耗的确定性操作（红色闪光）。右边是我们的p-bit，它只是利用了环境中的自然热波动（蓝色微光）来实现状态翻转。下方的能量条实时对比了两者的能耗差异，直观展示了我们方法的巨大优势。
传统计算能耗: 0 nJ | p-bit能耗: 0 aJ
第六章：实验验证——从理论到现实
理论的优雅固然重要，但真正的突破需要通过实验数据来证明。今年，我们团队内部验证了第一批在常温下工作的硅基p-bit芯片，其结果令人振奋，它清晰地展示了我们理论的正确性和技术的潜力。下面这张图，就是我们核心成果的浓缩展示。
这张图的底部，是我们亲手设计的芯片实物照片，以及通过显微镜看到的p-bit阵列，每一个微小的单元都是一个独立的、可控的随机源。而上方的三组图表，则是对这些p-bit性能的“深度体检报告”：
实验验证数据图表
这个交互式图表展示了我们p-bit芯片的核心性能指标。您可以点击不同的标签页查看详细数据。
当前显示: S型曲线 - 可控性验证
- 左图 (S型曲线)：这张图展示了p-bit的“可控性”。横轴是施加的控制电压，纵轴是p-bit输出为“1”的概率。可以看到，我们的实验数据点（蓝色）与理论上的S型曲线（Sigmoid Fit）完美吻合。这证明了我们可以通过一个简单的模拟电压，平滑、精确地控制p-bit的随机行为。
- 中图 (自相关性)：这张图展示了p-bit的“随机性品质”。它衡量的是p-bit在某一时刻的状态，与它在不久之后的状态有多大关联。一个理想的随机源，其自相关性应该迅速衰减为零。我们的数据显示，自相关性呈指数级快速下降，这意味着p-bit产生的随机序列质量非常高，没有“记忆效应”。
- 右图 (能耗 vs. 速度)：这张图展示了我们最引以为傲的“能效”。每个点代表一次p-bit翻转测试，横轴是翻转速度（特征时间 $\tau_c$），纵轴是所需能耗。所有数据点都集中在几百阿托焦耳（aJ）的极低能耗区间，这比传统CMOS技术低了几个数量级，证实了我们方法的巨大能效优势。
交互动画5：p-bit 验证仪表盘
生活化类比：这就像是对我们新发明的“概率骰子”进行质检。我们不仅要看它能否掷出不同的点数（0或1），还要确保它的每一次投掷都是真正随机的（自相关性快速衰减），并且这个过程极其节能。这个仪表盘实时展示了我们p-bit的所有关键性能指标。
实时概率 P(x=1): 0.50 | 自相关时间 τc: ~50 ns | 能耗: ~400 aJ