實體 AI 的熱力學極限:論文「Thermodynamic Limits of Physical Intelligence」發表

高橋恒一(ALIGN、理研)與林祐輔(ALIGN)發表了一篇關於實體智慧(物理智慧)能源效率的新論文(arXiv:2602.05463)。本篇部落格文章將為大家解說該論文的內容。

前言——衡量智慧的「能耗效率」

ChatGPT、Gemini、Claude 等大規模 AI 模型在展現驚人能力的同時,也消耗了龐大的電力。訓練最尖端的模型據稱需要數十百萬度(兆瓦時,MWh)的電力,「AI 的電力問題」正引起社會高度關注。另一方面,人類大腦僅需約 20 瓦——也就是相當於一顆 LED 燈泡的電量——就能進行高度思考。

這幾何級數般的差距究竟意味著什麼?話說回來,「智慧的能源效率」到底是什麼?就像汽車有油耗指標(km/L)一樣,智慧是否也能定義類似「能耗效率」的指標?

本論文基於物理學的基本定律,為這個問題給出了答案。文中提議以「每焦耳能量能處理多少位元資訊」的「每焦耳位元數(bits/J)」指標,來量化智慧的效率。

什麼是「實體智慧」

本論文導入了「實體智慧(Physical Intelligence,物理智慧)」的概念。這指的是所有在物理世界中具有實體、且一邊消耗能量一邊運作的智慧系統。

實體智慧同時包含 AI 與生物的智慧。

  • 人工智慧(AI):在資料中心運行的語言模型、機器人、自駕車等
  • 生物智慧:人類的大腦、動物的神經系統(理論上也包含外星人的智慧)

近年在 AI 業界中,「實體 AI(Physical AI)」一詞主要用來指涉機器人或自駕車等具有具身性(embodied AI)、能與物理世界直接互動的 AI。這種意義下的實體 AI,當然也是實體智慧的一部分。然而本論文的視野更為廣闊,即使是雲端上的語言模型,只要是在實體伺服器上消耗電力並產生熱量運作,就同樣被視為實體智慧。

為什麼需要如此廣泛的視角?這是因為,無論是何種形態的智慧,只要在現實中運作,就無法逃脫物理定律——特別是熱力學——的限制。本論文便從這個「作為物理實體的智慧」之觀點出發,探討能源效率的終極極限。

論文內容

智慧的兩個面向:「學習」與「發揮影響」

本論文的核心在於從兩個互補的維度來理解實體智慧。

認知與學習:理解世界的能力

智慧系統透過與環境的互動來學習世界的結構與規律。例如,語言模型從大量文本中學習文法與知識,機器人則從感測器資訊中學習環境的物理定律。

在論文中,這種「理解世界的能力」被「認識複雜度(epiplexity)」這一概念所捕捉。認識複雜度是衡量數據中的「結構性資訊」——去除雜訊與冗餘後,代表環境規律性的資訊——有多少被編碼進系統內部狀態的指標。該概念由 Finzi et al.(2026)基於受計算量約束的最小描述長度(MDL)理論形式化提出(arXiv:2601.03220),與傳統的資訊量或熵不同,其目標是在運算資源的限制下,僅萃取出「有意義的結構」。

本論文將此認識複雜度與熱力學相連結,將「每焦耳熱力學認識複雜度」定義為學習的能源效率。簡單來說,這是一個衡量「使用 1 焦耳能量,能對世界學習到多少知識」的指標。

控制與行動:影響世界的能力

智慧系統不僅能學習,還能透過行動對世界發揮影響。機器人移動物體,或是 AI 協助決策,都是這類的例子。

在論文中,這種「影響世界的能力」被「賦能(empowerment)」這一概念所捕捉。這是衡量「透過自身行動能讓未來狀態產生多大多樣變化」的指標,在資訊理論中被定義為「通道容量」。例如,若機械手臂能將物體放置在 10 個可區分的位置,賦能即為 log₂(10) ≈ 3.3 位元。若行動沒有任何影響則為 0 位元,影響力越大,位元數就越高。

補充說明:關於賦能的理論背景,林與高橋(2025)指出貝氏最佳的通用 AI 代理具有最大化賦能的傾向(ALIGN 部落格解說)。

本論文將「每焦耳賦能」定義為控制的能源效率。這裡的重點在於必須妥善進行能量成本的「記帳」。例如,代理即使「什麼都不做只是等待」,只要環境自主發生變化,就可能產生表面上的資訊傳遞,導致出現零成本卻擁有無限效率的「免費控制(free control)」假象。論文為了避免此類問題,提出將「什麼都不做」狀態的基準線能量,與為了控制而額外消耗的能量分開回報的方法。

為什麼需要兩個維度

學習與控制是智慧的雙輪。無論多麼理解世界,若無法行動就什麼也改變不了。反之,就算具備行動能力,如果不理解世界,也無法選擇合適的行動。透過將這兩者分開評估,就能掌握諸如「學習效率高但控制效率低」等系統特性。此外,在以閉環運作的代理(重複進行學習與行動的系統)中,由於兩者共享能量預算,因此也可以分析彼此之間存在何種取捨權衡。

物理定律決定的終極極限

什麼是蘭道爾極限

電腦的耗電量存在著基於物理定律的根本下限。根據羅爾夫·蘭道爾(Rolf Landauer)在 1961 年提出的原理,要不可逆地消除 1 位元的資訊,至少需要 k_B T ln 2 焦耳的能量(k_B 為波茲曼常數,T 為溫度)。在室溫下約為 3×10^-21 焦耳,亦即理論極限約為 3.5×10^20 bits/J。

現代電腦的開關能量大約在 10^-17~10^-18 J 左右,距離蘭道爾極限還有約 3~4 個數量級的空間。另一方面,關於人類大腦,部分估算認為可能僅距離蘭道爾極限約 2~3 個數量級(具體數值取決於估算方法)。若這項估算屬實,便揭示了生物演化創造出了何其高效的實體智慧。

封閉循環下的學習效率極限

本論文重要的理論貢獻在於,利用隨機熱力學的知識,釐清了學習效率也適用蘭道爾極限的條件。

具體而言,在重複使用有限記憶體的「封閉循環」條件下,要獲得新知識就必須消除舊資訊,此時蘭道爾極限就會發揮作用。論文在數學上推導出了此條件下學習效率的上限。

量子運算與可逆運算的定位

那麼,量子運算或可逆運算能否突破這個極限?論文在此點上給出了明確的結論。

量子運算並不能成為「打破」熱力學極限的手段。量子運算的優勢在於:(i) 能沿著可逆(么正)軌跡執行絕大部分運算;(ii) 能減少特定問題類別所需的邏輯步驟數。然而,只要將量子位元的初始化、測量,以及容錯所需的重設/刷新步驟納入記帳邊界,蘭道爾極限依然適用。

換言之,量子運算可以逼近熱力學極限,但無法突破極限。

「記帳」的重要性

然而,這裡有一個重要的注意事項。如果系統「外部」無限制地供應已初始化的記憶體(類似全新空白狀態的硬碟),只要不將該供應成本計入,表面上的效率就可能變成無限大(論文中的命題 1)。論文指出,藉由簡單的架構——以 XOR(互斥或)運算將環境資訊複製到外部供應的空白記憶體中——就可以在邊界內耗能任意微小的同時獲取資訊。當然,準備該「空白記憶體」的成本是在某處被支付的——只是沒有將其計入而已。

這與會計問題相似。評估企業利潤時,如果不計入原材料費用,表面利潤雖然會變大,卻無法反映真實情況。同樣地,評估實體智慧的能源效率時,明定哪些項目計入運算、哪些不計入是不可或缺的。論文中釐清了這種「記帳邊界」的設定方式,並提出了公平比較的指引。

面向實用的統一定義框架

應報告項目的核對清單

為了公平比較不同系統的能源效率,論文建議報告以下項目:

  • 記帳邊界:運算、感測器、致動器、冷卻等,包含哪種範圍的能量
  • 基準線:如何處理「什麼都不做」狀態下的耗電量
  • 解析度:測量資訊量時的粒度
  • 時間軸:評估期間與重設的處理方式
  • 估算方法:如何計算或估算資訊量

透過明定這些項目,研究人員之間便能進行比較,並客觀追蹤技術的進展。

與縮放定律的關係

在當前的 AI 開發中,「縮放定律(Scaling Law)」已被廣泛認知,即擴大模型規模、增加資料量與運算量,性能就會隨之提升(關於縮放競賽的動向亦可參閱這篇文章(part1))。然而,在此定律下,每單位性能提升所需的能源消耗呈加速度增長。

論文展示了如何從能源效率的觀點分析此縮放定律。隨著縮放推進,每投入額外能量所帶來的性能提升(邊際效率)會逐漸下降。這是「邊際報酬遞減」的法則,暗示著未來在某個時間點勢必需要不同以往的全新方法。


意涵與影響

智慧爆炸論的量化精緻化——與 2018 年論文的連結

本論文將 2018 年發表於日本人工智慧學會誌的論文「關於未來機器智慧的情境與分歧點)」中所開展的討論,進行了更為量化的精緻化。

2018 年的論文將機器智慧的未來情境分為 4 類,並探討了決定走向各情境的因素:

  • 上限情境:工程上可實現的智慧存在根本極限,無法達到變革性水準
  • 生態系情境:多個代理作為相互依賴的網路共存,展現模糊邊界與突現行為(類似網際網路基礎設施或生態系)
  • 多極情境:多個具有明確邊界的超級智慧代理處於均衡狀態,產生談判、威懾、軍備競賽等戰略動態(類似國際關係)
  • 單極統治情境:單一代理獲得決定性戰略優勢(decisive strategic advantage)

其中,探討智慧爆炸(透過遞迴式自我改良使能力急速提升)的發生條件時,論述了除了認知架構的問題外,運算的熱力學效率以及光速上限等物理限制也扮演著關鍵角色。

遞迴式自我改良有兩個方向:

- 內向改良:以現有資源進行更有效率的運算(硬體與演算法的改善)

- 外向改良:獲取更多資源(算力、能源、空間擴展)

內向改良受到熱力學限制(即蘭道爾極限)的約束,外向改良則受到局域性限制(光速造成的協調延遲)的約束。無論朝哪個方向,都存在著物理高牆。

特別是關於熱力學限制,當時雖指出蘭道爾極限可能對能力提升施加根本上限,但仍保留了量子運算或可逆運算可能突破此極限的可能性。2018 年的論文曾提及:「在使用純粹觀測不會破壞量子態的特定量子運算,或是使用不遺失資訊的分子機器之可逆過程中,此極限在局部上並不適用」。

在本次的論文中,對熱力學限制進行了更嚴格的形式化推導,得出了量子運算可以逼近熱力學極限,但無法突破極限的結論。由此明確揭示了內向改良在原理上確實存在上限。

(關於外向改良所受到的局域性限制,在 2018 年的論文中有詳細論述。)

與 AI 對齊研究的交會點

從 AI 對齊研究的觀點來看,理解實體智慧的極限也至關重要。如同 2018 年論文所論述,單極統治情境(單一 AI 獲得決定性戰略優勢的情境)的可行性,取決於 AI 能力提升存在何種物理上限。

本論文所揭示的熱力學極限,為智慧爆炸的步調與終點提供了量化約束。在討論 AI 安全時,這成為評估「最壞情況」的重要依據。

此外,本論文的雙維度評估(學習與控制)也與 2018 年論文中討論的「決定性戰略優勢」獲取條件相契合。決定性戰略優勢同時需要學習能力(對環境與其他代理的預測)與控制能力(透過行動發揮影響力),而這兩者皆存在能源效率的極限。

對永續 AI 開發的貢獻

AI 的電力消耗正迅速增長。有估算指出,到 2030 年 AI 相關的電力需求將達到目前的數倍。在因應氣候變遷的訴求下,如何權衡 AI 的發展與環境負擔,已成為政策上的重要議題。

然而,目前尚無公正比較不同 AI 系統能源效率的標準方法。即便宣稱「這個模型很有效率」,究竟以何為標準判定其效率依然模糊不清。本論文所提出的效率指標與報告核對清單,為該問題提供了解方。

對政策與社會的啟示

本論文的框架為以標準化方法報告 AI 系統的能源效率奠定了基礎。藉此,未來將可推行以下政策措施:

- AI 產品與服務的能源效率標籤

- 制定資料中心效率標準

- 研發投資的優先順序評定

就像家電產品貼有節能標籤一樣,未來可以預見 AI 服務也將標示效率等級。


結語

本論文針對「實體智慧(物理智慧)的能源效率」這一問題,提供了基於物理學的嚴謹框架。

提出的雙軸評估指標——學習效率(每焦耳認識複雜度)與控制效率(每焦耳賦能)——成為衡量智慧「能耗效率」的理論基礎。而將其與封閉循環條件下的蘭道爾極限相連結,更揭示了技術究竟能推進至何種程度的終極指標。

本論文進一步在量化層面精緻化了 2018 年論文中針對智慧爆炸發生條件所提出的討論。特別是「包含量子運算在內的任何運算技術都無法突破熱力學極限」這項結論,為未來機器智慧的能力上限討論帶來了明確約束。

當前的 AI 系統距離這一理論極限仍有數個數量級的差距。這項事實一方面顯示出能源效率仍有巨大的改善空間,另一方面也意味著存在任何技術創新都無法跨越的終極高牆。

在思考 AI 的永續發展,以及 AI 與人類共存的課題時,實體智慧能源效率的觀點今後勢必更加重要。期盼本論文能成為相關討論的共同基礎。


若您對此感興趣,歡迎參閱論文原文。

相關連結:


本文轉載自 ALIGN 部落格(2026年2月6日)。原文:https://www.aialign.net/blog/thermodynamic-limits

Koichi Takahashi

tomola is a place to exchange ideas across languages. Every post can be read in your language.

Log in to reply or mark a post as Insightful. Membership is by invitation. Log in