Nowa fizyka inteligencji: Obliczenia termodynamiczne i koniec deterministycznego paradygmatu cyfrowego

Cywilizacja technologiczna stoi w obliczu egzystencjalnego paradoksu. Podczas gdy popyt na sztuczną inteligencję (AI) rośnie wykładniczo, napędzany proliferacją dużych modeli językowych (LLM) i systemów generatywnych, infrastruktura fizyczna podtrzymująca te postępy szybko zbliża się do nieprzekraczalnych granic termodynamicznych. Obowiązująca narracja Prawa Moore’a – stałe podwajanie liczby tranzystorów i efektywności – zaczęła pękać. Nie dzieje się tak z powodu niezdolności do dalszej miniaturyzacji, lecz ze względu na fundamentalne ograniczenia związane z rozpraszaniem ciepła i zużyciem energii. W tym krytycznym kontekście wyłaniają się obliczenia termodynamiczne (thermodynamic computing) – zmiana paradygmatu, która obiecuje nie tylko złagodzić kryzys energetyczny, ale także zredefiniować samą naturę przetwarzania informacji.

Tyrania wata w erze generatywnej sztucznej inteligencji

Obecna architektura komputerowa, oparta na modelu von Neumanna i deterministycznej logice boolowskiej, zderza się z tym, co eksperci nazywają „Ścianą Energetyczną”. Trening i wnioskowanie (inference) zaawansowanych modeli AI zależą niemal wyłącznie od procesorów graficznych (GPU), takich jak wszechobecny NVIDIA H100. Pojedyncza jednostka tego typu posiada współczynnik TDP (Thermal Design Power) na poziomie 700 watów, a po zgrupowaniu w systemy HGX H100, zużycie przekracza 2000 watów na szafę serwerową. Taka gęstość mocy zamienia nowoczesne centra danych w cyfrowe piece, które wymagają masowej infrastruktury chłodzącej, zużywając wodę i energię elektryczną na skalę przemysłową.

Więcej artykułów

Sny o pociągach: Czyli jak przetrwać ciszę (i Netflixa)

Muzeum MOWAA odkłada inaugurację wystawy w obliczu lokalnych protestów i dialogu

Wicked: na dobre – Alchemia Przyjaźni i Nowe Oblicze Oz

Dane makroekonomiczne potwierdzają nieuchronność tego kryzysu. Goldman Sachs prognozuje, że globalne zapotrzebowanie na energię ze strony centrów danych wzrośnie o 165% do końca dekady. Z kolei Międzynarodowa Agencja Energetyczna (IEA) szacuje, że zużycie energii elektrycznej przez centra danych może się podwoić do 2026 roku, osiągając 1000 TWh – liczbę porównywalną z całkowitym zużyciem energii elektrycznej w Japonii. Wzrost ten nie jest liniowy, lecz podąża za wykładniczą krzywą złożoności modeli AI, tworząc sytuację nie do utrzymania, w której 92% kadry zarządzającej centrami danych już teraz wskazuje ograniczenia sieci energetycznej jako główną przeszkodę w skalowaniu biznesu.

Wrodzona nieefektywność determinizmu

Fundamentalny problem leży nie tylko w ilości obliczeń, ale w ich fizycznej jakości. Współczesne obliczenia cyfrowe działają w reżimie tłumienia szumów. Aby zagwarantować, że bit jest jednoznacznie zerem lub jedynką, tranzystory muszą pracować przy napięciach znacznie przewyższających naturalny „szum termiczny” elektronów. Ta ciągła walka z entropią – wysiłek utrzymania idealnego porządku w chaotycznym medium fizycznym – pociąga za sobą wygórowany koszt energetyczny.

Każda operacja logiczna w procesorze cyfrowym wiąże się z ładowaniem i rozładowywaniem kondensatorów oraz przemieszczaniem elektronów przez rezystory, co generuje ciepło odpadowe. Ciepło to nie przyczynia się do obliczeń, lecz reprezentuje energię zmarnowaną na „tarcie” niezbędne do narzucenia determinizmu. Jak zauważają badacze, systemy konwencjonalne „płacą energią” za tłumienie stochastyczności (losowości). Co więcej, fizyczne oddzielenie pamięci od jednostki przetwarzającej (wąskie gardło von Neumanna) oznacza, że ogromna część energii jest zużywana po prostu na przenoszenie danych z miejsca na miejsce, a nie na ich przetwarzanie.

Alternatywa termodynamiczna

W obliczu tego scenariusza obliczenia termodynamiczne proponują radykalne odwrócenie zasad operacyjnych. Zamiast wydawać energię na walkę z szumem termicznym, ta dyscyplina dąży do wykorzystania go jako zasobu obliczeniowego. Opiera się na przesłance, że natura oblicza efektywnie poprzez procesy relaksacji do stanu równowagi termicznej. Dostosowując architekturę komputera do fizyki leżącej u podstaw informacji, możliwe staje się wykonywanie złożonych zadań – w szczególności próbkowania probabilistycznego wymaganego przez generatywną AI – z wydajnością o rzędy wielkości wyższą niż w przypadku tranzystorów cyfrowych.

To podejście nie jest czysto teoretyczne. Firmy takie jak Extropic czy Normal Computing rozpoczęły produkcję sprzętu urzeczywistniającego te zasady, obiecując wydajność nawet 10 000 razy wyższą niż obecne technologie. Niniejszy raport analizuje stan tej technologii, jej fundamenty fizyczne, kluczowych graczy oraz geopolityczne i ekonomiczne implikacje przejścia na obliczenia oparte na fizyce.

Fundamenty fizyczne: Od deterministycznego bitu do stochastycznego p-bitu

Aby zrozumieć skalę innowacji, jaką reprezentują obliczenia termodynamiczne, konieczne jest zejście na poziom fizyczny działania obwodów. Różnica między konwencjonalnym chipem a Termodynamiczną Jednostką Próbkującą (TSU) nie jest różnicą stopnia, lecz klasy ontologicznej.

Termodynamika nierównowagowa i obliczenia

Ogólną teorią wspierającą te postępy jest fizyka statystyczna stanów nierównowagowych, często nazywana termodynamiką stochastyczną. Dziedzina ta dostarcza narzędzi do analizy systemów znajdujących się daleko od równowagi termicznej, takich jak komputery. Klasyczne obliczenia podążają za zasadą Landauera, która ustala teoretyczną dolną granicę energii potrzebnej do wykasowania bitu informacji, co wiąże się z rozpraszaniem ciepła do otoczenia. Obliczenia termodynamiczne działają jednak według innej dynamiki.

Urządzenia termodynamiczne są projektowane tak, aby ewoluować zgodnie z dynamiką Langevina. Oznacza to, że system fizyczny naturalnie „szuka” swojego stanu minimalnej energii. Jeśli zakodujemy problem matematyczny w krajobrazie energetycznym urządzenia, system rozwiąże go, po prostu „relaksując się” do stanu równowagi termicznej. W tym paradygmacie obliczenia nie są serią wymuszonych kroków logicznych, ale naturalnym procesem fizycznym, analogicznym do tego, jak kropla wody znajduje najszybszą drogę w dół góry lub jak białko zwija się w swoją optymalną konfigurację.

Bit probabilistyczny (p-bit)

Podstawową jednostką tej nowej architektury jest p-bit (bit probabilistyczny). W przeciwieństwie do bitu cyfrowego, który jest statyczny, dopóki nie otrzyma polecenia zmiany, p-bit fluktuuje w sposób ciągły między 0 a 1 w skali nanosekund, napędzany przez otaczający szum termiczny. Ta fluktuacja nie jest jednak całkowicie losowa; może być ukierunkowana (biased) za pomocą napięć sterujących tak, aby p-bit spędzał na przykład 80% czasu w stanie 1, a 20% w stanie 0.

Takie zachowanie naśladuje rozkłady prawdopodobieństwa. Łącząc ze sobą wiele p-bitów, tworzy się obwód reprezentujący złożony łączny rozkład prawdopodobieństwa. Odczytując stan obwodu w danym momencie, otrzymujemy poprawną próbkę tego rozkładu. Jest to kluczowe, ponieważ nowoczesna generatywna AI opiera się fundamentalnie na prawdopodobieństwie: przewidywaniu najbardziej prawdopodobnego kolejnego słowa lub generowaniu najbardziej prawdopodobnego piksela w obrazie.

Natywne próbkowanie kontra cyfrowa symulacja

Przewaga wydajności rzędu „10 000x” deklarowana przez Extropic wynika z tej różnicy strukturalnej. W cyfrowym (deterministycznym) GPU wygenerowanie losowej próbki ze złożonego rozkładu wymaga uruchomienia algorytmów generatorów liczb pseudolosowych (PRNG), które zużywają tysiące cykli zegara i miliony przełączeń tranzystorów. GPU musi symulować przypadek za pomocą skomplikowanej arytmetyki deterministycznej.

W przeciwieństwie do tego, chip termodynamiczny generuje próbkę w sposób natywny. Nie symuluje szumu; szum jest silnikiem obliczeń. Fizyka wykonuje ciężką pracę generowania losowości, eliminując potrzebę skomplikowanych jednostek arytmetyczno-logicznych (ALU) do tego konkretnego zadania. Jest to w istocie obliczanie analogowe wspomagane szumem, gdzie medium fizyczne wykonuje operację matematyczną natychmiastowo.

Extropic: Architektura i strategia niepewności

Extropic, z siedzibą w USA, pozycjonuje się jako komercyjna szpica tej technologii. Założona przez Guillaume’a Verdona (byłego fizyka Google, znanego w sferze cyfrowej jako „Beff Jezos”, lidera ruchu efektywnego akceleracjonizmu lub e/acc) oraz Trevora McCourta, firma przeszła od teorii do produkcji namacalnego krzemu.

Chip X0: Walidacja probabilistycznego krzemu

Pierwszym namacalnym kamieniem milowym Extropic jest chip X0. To urządzenie prototypowe zaprojektowane w celu potwierdzenia, że obwody probabilistyczne mogą być produkowane przy użyciu standardowych procesów półprzewodnikowych i działać w temperaturze pokojowej. W przeciwieństwie do komputerów kwantowych, które wymagają temperatur bliskich zera absolutnego, X0 wykorzystuje ciepło otoczenia jako źródło entropii.

X0 zawiera rodzinę obwodów zaprojektowanych do generowania próbek z prymitywnych rozkładów prawdopodobieństwa. Jego główną funkcją było potwierdzenie precyzji modeli szumu opracowanych przez Extropic: wykazanie, że można zaprojektować tranzystor tak, aby „szumiał” w przewidywalny i kontrolowany sposób. To znaczące osiągnięcie, ponieważ przemysł półprzewodnikowy spędził 60 lat na optymalizacji procesów w celu eliminacji szumu; jego kontrolowane ponowne wprowadzenie wymaga głębokiego opanowania fizyki materiałowej.

Platforma deweloperska XTR-0

Aby umożliwić badaczom i programistom interakcję z tą nową fizyką, Extropic uruchomił platformę XTR-0. System ten nie jest samodzielnym komputerem, lecz architekturą hybrydową. Fizycznie składa się z trapezoidalnej płyty głównej mieszczącej konwencjonalny procesor CPU i układ FPGA, połączonej z dwiema płytami podrzędnymi zawierającymi termodynamiczne chipy X0.

Funkcją XTR-0 jest służenie jako pomost. CPU zarządza ogólnym przepływem pracy i logiką deterministyczną, podczas gdy FPGA działa jako szybki tłumacz, wysyłający instrukcje i parametry do chipów X0 oraz odbierający wygenerowane próbki probabilistyczne. Ta architektura uznaje pragmatyczną rzeczywistość: komputery termodynamiczne nie zastąpią cyfrowych w zadaniach takich jak uruchamianie systemu operacyjnego czy obsługa arkusza kalkulacyjnego. Ich rola to rola specjalizowanych akceleratorów, analogicznie do tego, jak GPU przyspieszają grafikę, ale dedykowanych wyłącznie probabilistycznym obciążeniom AI.

Chip Z1 i wizja skali

Ostatecznym celem Extropic nie jest X0, lecz przyszły chip Z1. Przewiduje się, że urządzenie to pomieści setki tysięcy lub miliony połączonych p-bitów, umożliwiając uruchamianie głębokich modeli generatywnych AI całkowicie na substracie termodynamicznym. Symulacje przeprowadzone przez firmę sugerują, że chip ten mógłby wykonywać zadania generowania obrazu lub tekstu, zużywając 10 000 razy mniej energii niż odpowiadający mu GPU.

Architektura Z1 opiera się na masowej łączności lokalnej. W przeciwieństwie do GPU, gdzie dane podróżują na duże odległości przez chip (zużywając energię), w projekcie Extropic pamięć i obliczenia są splecione. P-bity wchodzą w interakcję tylko ze swoimi bezpośrednimi sąsiadami, tworząc sieć lokalnych interakcji, które wspólnie rozwiązują problemy globalne. Eliminuje to znaczną część kosztów energetycznych związanych z przemieszczaniem danych.

Natywne algorytmy: Termodynamiczny Model Odszumiania (DTM)

Rewolucyjny sprzęt wymaga rewolucyjnego oprogramowania. Próba uruchomienia standardowych algorytmów głębokiego uczenia (opartych na deterministycznym mnożeniu macierzy) na chipie termodynamicznym byłaby nieefektywna. Dlatego Extropic opracował nową klasę natywnych algorytmów.

Modele Oparte na Energii (EBM)

Teoretyczną podstawą oprogramowania Extropic są Modele Oparte na Energii (Energy-Based Models – EBM). W uczeniu maszynowym EBM uczy się kojarzyć niską „energię” z danymi, które wyglądają realistycznie (jak obraz kota), a wysoką energię z szumem lub niepoprawnymi danymi. Generowanie danych za pomocą EBM polega na znajdowaniu konfiguracji o niskiej energii.

EBM-y istnieją teoretycznie od dziesięcioleci, ale ustąpiły miejsca głębokim sieciom neuronowym, ponieważ ich trenowanie i używanie na komputerach cyfrowych jest niezwykle powolne. Wymagają one procesu zwanego próbkowaniem Gibbsa, który jest obliczeniowo zaporowy na CPU lub GPU. Jednak chip Extropic wykonuje próbkowanie Gibbsa natywnie i niemal natychmiastowo. To, co jest słabością krzemu cyfrowego, jest fundamentalną siłą krzemu termodynamicznego.

Denoising Thermodynamic Model (DTM)

Flagowym algorytmem Extropic jest Termodynamiczny Model Odszumiania (DTM). Działa on podobnie do nowoczesnych modeli dyfuzyjnych (takich jak te napędzające Midjourney czy Stable Diffusion), które zaczynają od czystego szumu i stopniowo go ulepszają, aż do uzyskania wyraźnego obrazu.

Jednak podczas gdy model dyfuzyjny na GPU musi matematycznie obliczać krok po kroku, jak usunąć szum, DTM wykorzystuje fizykę chipa do przeprowadzenia transformacji. Sprzęt termodynamiczny pozwala, aby stan „zaxzumiony” fizycznie ewoluował w kierunku stanu „uporządkowanego” (obrazu końcowego) zgodnie z prawami termodynamiki. Symulacje wskazują, że podejście to jest nie tylko szybsze, ale wymaga o rzędy wielkości mniej energii, ponieważ proces „odszumiania” jest realizowany przez naturalną tendencję układu do równowagi, a nie przez biliony operacji zmiennoprzecinkowych.

Ekosystem konkurencyjny: Rozbieżne podejścia w obliczeniach fizycznych

Choć Extropic przyciągnął uwagę mediów śmiałymi twierdzeniami i cyberpunkową estetyką, nie jest jedynym graczem w tej przestrzeni. Wyścig o obliczenia termodynamiczne i probabilistyczne obejmuje innych wyrafinowanych konkurentów, takich jak Normal Computing, z których każdy ma odmienną filozofię techniczną i rynkową.

Normal Computing: Niezawodność poprzez stochastyczność

Normal Computing, z siedzibą w Nowym Jorku i założona przez byłych inżynierów Google Brain i Alphabet X, podchodzi do problemu z nieco innej perspektywy. Podczas gdy Extropic koncentruje się na szybkości i surowej wydajności generowania (akceleracjonizm), Normal kładzie znaczny nacisk na niezawodność, bezpieczeństwo i kwantyfikację niepewności w systemach krytycznych.

Ich technologia opiera się na Stochastycznej Jednostce Przetwarzania (SPU). Podobnie jak Extropic, wykorzystują szum termiczny, ale ich ramy matematyczne koncentrują się na konkretnych procesach stochastycznych, takich jak proces Ornsteina-Uhlenbecka (OU). Proces OU to proces stochastyczny powracający do średniej, użyteczny do modelowania systemów, które fluktuują, ale mają tendencję do powrotu do stabilnego centrum.

Normal Computing osiągnął znaczące kamienie milowe, takie jak „tape-out” (finalizacja projektu do produkcji) swojego chipa CN101. Chip ten ma na celu zademonstrowanie wykonalności architektury termodynamicznej w rzeczywistym krzemie. Ich mapa drogowa obejmuje przyszłe chipy CN201 i CN301, przeznaczone do skalowania modeli dyfuzyjnych wysokiej rozdzielczości i wideo do lat 2027-2028.

Kluczowa różnica: Extropic wydaje się optymalizować pod kątem maksymalnej entropii i kreatywności generatywnej przy niskim koszcie energetycznym (idealne dla sztuki, tekstu, ideacji). Normal Computing wydaje się optymalizować pod kątem „wytłumaczalnej AI” i niezawodności, wykorzystując sprzęt probabilistyczny, aby AI „wiedziała, czego nie wie” i zarządzała ryzykiem w zastosowaniach biznesowych lub przemysłowych.

Obliczenia neuromorficzne a termodynamiczne

Kluczowe jest odróżnienie obliczeń termodynamicznych od neuromorficznych (reprezentowanych przez chipy takie jak TrueNorth IBM czy Loihi Intela). Obliczenia neuromorficzne próbują naśladować biologiczną architekturę mózgu (neurony, synapsy, skoki napięcia), często przy użyciu deterministycznych obwodów cyfrowych lub analogowych.

Obliczenia termodynamiczne naśladują natomiast fizykę mózgu. Mózg biologiczny działa w wilgotnym i zaszumionym środowisku w temperaturze 37°C, wykorzystując szum termiczny do ułatwiania reakcji chemicznych i transmisji sygnałów. Nie walczy z szumem; używa go. Extropic i Normal Computing argumentują, że naśladowanie fizyki (termodynamika) jest bardziej bezpośrednią drogą do efektywności niż naśladowanie samej struktury (neuromorfika).

Dogłębna analiza wydajności: Dekonstrukcja wskaźnika „10 000x”

Twierdzenie o 10 000-krotnej poprawie wydajności jest nadzwyczajne i wymaga rygorystycznej weryfikacji technicznej. Skąd dokładnie bierze się ta liczba i czy jest realistyczna w środowiskach produkcyjnych?

Fizyka oszczędności

Oszczędność energii wynika z trzech głównych źródeł:

1. Eliminacja przemieszczania danych: W GPU odczyt wag modelu z pamięci VRAM zużywa więcej energii niż samo obliczenie. W TSU Extropic wagi modelu są fizycznie zakodowane w połączeniach między p-bitami. Obliczenia odbywają się tam, gdzie są dane.
2. Obliczenia pasywne: W obwodzie cyfrowym zegar wymusza zmiany stanów miliony razy na sekundę, zużywając energię aktywną w każdym cyklu. W obwodzie termodynamicznym system ewoluuje pasywnie w kierunku rozwiązania. Energia jest dostarczana w dużej mierze przez ciepło otoczenia (szum termiczny), które jest „darmowe”.
3. Efektywność próbkowania: Jak wspomniano, cyfrowe generowanie próbki statystycznej wymaga tysięcy operacji. W termodynamice jest to pojedyncza operacja. Jeśli zadanie wymaga pobrania milionów próbek (jak w generowaniu wideo), przewaga kumuluje się liniowo, osiągając rzędy wielkości.

Porównanie rzeczywistego zużycia

Aby nadać temu perspektywę, rozważmy trening i wnioskowanie modeli typu LLaMA. Meta wytrenowała LLaMA 3 przy użyciu 16 000 GPU H100. Zakładając konserwatywne średnie zużycie, koszt energetyczny to setki gigawatogodzin. W fazie wnioskowania (codzienne użytkowanie), jeśli miliony użytkowników odpytują model, skumulowane zużycie przewyższa zużycie podczas treningu.

Jeśli chip termodynamiczny może wykonać to samo wnioskowanie, zużywając miliwaty zamiast setek watów, ekonomiczna opłacalność AI zmienia się radykalnie. Pozwoliłoby to na uruchamianie modeli poziomu GPT-4 na smartfonie bez wyczerpywania baterii w kilka minut lub wdrażanie inteligentnych czujników w rolnictwie działających latami na małej baterii.

Ograniczenia i zastrzeżenia

Należy jednak pamiętać, że liczba 10 000x pochodzi z symulacji konkretnych benchmarków zoptymalizowanych pod ten sprzęt. W mieszanych obciążeniach, gdzie wymagana jest logika deterministyczna, wstępne przetwarzanie danych i komunikacja z CPU, globalna wydajność systemu (prawo Amdahla) będzie niższa. Ponadto precyzja analogowa jest z natury ograniczona. Do obliczeń finansowych wymagających dokładnej 64-bitowej precyzji obliczenia termodynamiczne nie są odpowiednie. Ich niszą jest wnioskowanie probabilistyczne, a nie dokładna księgowość.

Wyzwania produkcyjne i skalowalność: Dolina śmierci sprzętu

Historia informatyki pełna jest obiecujących technologii (memrystory, obliczenia optyczne, spintronika), które zawiodły przy próbie skalowania. Obliczenia termodynamiczne napotykają znaczne bariery wyjścia z laboratorium.

Zmienność procesów i kalibracja

Największym wyzwaniem dla Extropic i Normal Computing jest jednorodność. W nowoczesnej produkcji chipów (węzły 5nm lub 3nm) istnieją mikroskopijne różnice między tranzystorami. W cyfrze zarządza się tym za pomocą marginesów bezpieczeństwa. W analogu/termodynamice, gdzie „szum” jest sygnałem, wariacja w rozmiarze tranzystora zmienia jego profil prawdopodobieństwa.

Jeśli każdy p-bit ma nieco inne odchylenie z powodu wad produkcyjnych, chip nie będzie reprezentował poprawnego rozkładu prawdopodobieństwa. Kalibracja milionów indywidualnych p-bitów w celu skompensowania tych wariacji mogłaby wymagać masywnych cyfrowych obwodów sterujących, co zjadłoby część oszczędności energii i miejsca. Extropic twierdzi, że rozwiązał to dzięki solidnym projektom obwodów, ale prawdziwy test nadejdzie wraz z masową produkcją chipa Z1.

Integracja z ekosystemem oprogramowania

Sprzęt jest bezużyteczny bez ekosystemu. NVIDIA dominuje w AI nie tylko dzięki swoim chipom, ale dzięki CUDA – swojej warstwie oprogramowania. Aby programiści zaadoptowali TSU, fizyczna złożoność musi zostać wyabstrahowana. Extropic wypuścił Thrml, bibliotekę Pythona, która pozwala programistom definiować modele energetyczne i uruchamiać je w backendzie (czy to symulowanym na GPU, czy rzeczywistym na XTR-0). Sukces będzie zależał od tego, jak przejrzysta będzie ta integracja z PyTorch i TensorFlow. Jeśli inżynierowie ML będą musieli uczyć się fizyki statystycznej, aby zaprogramować chip, adopcja będzie zerowa.

Konkurencja Prawa Moore’a

Technologia cyfrowa nie stoi w miejscu. NVIDIA, AMD i Intel nadal optymalizują swoje architektury pod kątem AI (np. precyzja FP8, architektury Blackwell). Obliczenia termodynamiczne gonią ruchomy cel. Zanim chip Z1 trafi na rynek komercyjny, konwencjonalne GPU poprawią swoją wydajność. Przewaga „10 000x” to duży bufor, ale egzekucja musi być szybka, aby nie przegapić okna możliwości.

Implikacje geopolityczne i gospodarcze

Pojawienie się tej technologii ma reperkusje wykraczające poza serwerownie, wpływając na strategię narodową i globalną ekonomię AI.

Suwerenność AI i decentralizacja

Obecnie zaawansowana AI to oligopol kontrolowany przez podmioty zdolne sfinansować centra danych o wartości miliardów dolarów i uzyskać dostęp do ograniczonych dostaw GPU. Obliczenia termodynamiczne, drastycznie obniżając koszty energii i sprzętu (wykorzystując starsze, tańsze procesy produkcji krzemu, jako że nie wymagają najnowszej litografii 3nm do działania), mogłyby zdemokratyzować dostęp do „superinteligencji”.

Pozwoliłoby to mniejszym narodom lub średnim firmom obsługiwać własne modele fundamentalne bez zależności od chmur amerykańskich hiperskalerów (Microsoft, Google, Amazon). Jest to potencjalny wektor dla większej suwerenności technologicznej.

Wpływ na sieć energetyczną i zrównoważony rozwój

IEA i rządy są zaniepokojone zużyciem energii przez centra danych. W miejscach takich jak Irlandia czy północna Wirginia centra danych zużywają dwucyfrowe procenty całkowitej energii sieciowej. Obliczenia termodynamiczne oferują „zawór bezpieczeństwa” dla tej presji. Jeśli branża przeniesie część swoich obciążeń wnioskowania na sprzęt termodynamiczny, można by oddzielić wzrost AI od wzrostu śladu węglowego, umożliwiając realizację celów klimatycznych bez hamowania postępu technologicznego.

Filozofia akceleracjonizmu (e/acc)

Nie można ignorować komponentu ideologicznego. Guillaume Verdon, CEO Extropic, jest centralną postacią ruchu e/acc, który opowiada się za nieograniczonym i szybkim postępem technologicznym jako moralnym i termodynamicznym imperatywem wszechświata. Extropic to nie tylko firma; to fizyczna manifestacja tej ideologii. Dążą do maksymalizacji produkcji entropii i inteligencji we wszechświecie. Kontrastuje to z wizjami „Spowolnienia” (Deceleration) czy „Bezpieczeństwa AI” (Safetyism). Sukces Extropic byłby kulturowym i technicznym zwycięstwem obozu akceleracjonistów w Dolinie Krzemowej.

Świt naturalnej inteligencji

Obliczenia termodynamiczne stanowią najpoważniejszą jak dotąd próbę zniwelowania luki między obliczeniami sztucznymi a naturalnymi. Przez siedemdziesiąt lat budowaliśmy komputery działające jak sztywne biurokracje: przestrzegające ścisłych reguł, archiwizujące dane w precyzyjnych miejscach i zużywające ogromną energię, aby upewnić się, że nic nie odbiega od normy. Tymczasem ludzki mózg – i sama natura – działał jak artysta jazzowy: improwizując, wykorzystując szum i chaos jako część melodii i osiągając genialne rezultaty przy zdumiewającej efektywności energetycznej.

Technologie prezentowane przez Extropic i Normal Computing, poprzez urządzenia takie jak X0 i CN101, sugerują, że jesteśmy gotowi przyjąć to drugie podejście. Obietnica efektywności energetycznej rzędu 10 000x to nie tylko ulepszenie inkrementalne; to zmiana fazy, która umożliwiłaby wszechobecność sztucznej inteligencji.

Droga ta jest jednak najeżona ryzykiem technicznym. Przejście z cyfrowego determinizmu na termodynamiczny probabilizm będzie wymagało nie tylko nowych chipów, ale całkowitej reedukacji w zakresie myślenia o algorytmach, precyzji i naturze obliczeń. Jeśli Extropic zdoła przeskalować swoje p-bity, a Normal Computing certyfikować bezpieczeństwo swoich procesów stochastycznych, możliwe, że za dekadę spojrzymy na obecne GPU – te krzemowe piece o mocy 700 watów – z taką samą nostalgią i zdumieniem, z jaką dziś patrzymy na lampy elektronowe z lat 40. XX wieku. Era walki z termodynamiką się skończyła; era obliczeń z jej pomocą właśnie się rozpoczęła.

Krajobraz obliczeń post-cyfrowych