正常计算与热力学 AI 芯片

热力学计算：将噪声视为资源

热力学计算通过将物理噪声视为计算的核心机制，而不是需要消除的敌人，改变了芯片设计的范式。传统半导体制造投入大量资源确保晶体管精确落在 0 或 1 上，而热力学计算则利用硬件固有的随机性来求解随机微分方程。

CN101 芯片

Normal Computing 开发了 CN101，全球首款热力学计算芯片。该硬件由一组可编程电阻的电容阵列组成。通过向系统注入噪声，芯片按照随机微分方程运行，使其能够在概率工作负载上得到答案，这在传统硬件上计算成本极高。具体而言，芯片可用于矩阵求逆，让物理噪声收敛到表示芯片中编程权重矩阵逆的状态。

在概率机器学习中的应用

该方法特别适用于贝叶斯智能和概率机器学习，在这些领域中不确定性量化至关重要。现代生成式 AI 关注 token 流，而热力学计算则针对贝叶斯推断的底层数学挑战，如马尔可夫链蒙特卡罗（MCMC）和扩散模型，其中在 GPU 上采样高斯随机变量是一个显著瓶颈。

AI 驱动的芯片设计与形式化验证

为了加速 tape‑out 的进程，Normal Computing 使用“一群”AI 代理来处理芯片设计、优化和验证的全流程。

Verilog 仿真器项目

由于商业电子设计自动化（EDA）工具价格高昂——每个 CPU 核心许可证常常高达 $10,000——Normal Computing 自行构建了开源 Verilog 仿真器。借助 AI 代理，团队在 43 天内生成了约 580,000 行代码。该项目展示了递归自我改进的潜力，即 AI 帮助构建设计更好 AI 硬件所需的工具。

形式化验证的挑战

在硬件领域，一个 bug 可能导致数百万美元的损失（历史上某 Intel 部门的 bug 造成 $5 亿至 $20 亿不等的损失）。因此，形式化验证是必不可少的。Normal Computing 采用“自动形式化”，即将人工规范转化为形式模型（例如使用 Lean 或 TLA+）。

关键策略包括：

• AlphaProof 技巧：训练模型“证明或反驳”某个属性。如果形式化略有错误，模型仍可通过证明该命题为假来提供价值，从而生成有用的训练数据。
• 多层次形式化：针对不同抽象层使用不同工具，例如使用 SystemVerilog Assertions（SVA）进行周期级验证，使用 TLA+ 或时序 Petri 网进行高层协议和系统级属性验证（如防止 DRAM 死锁）。

代理编码的“理解债务”

随着 AI 代理生成的代码库日益庞大，软件的功能性能与人类对其结构的理解之间出现了鸿沟。

结构 vs. 能力

引用 ProgramBench，讨论指出，尽管 LLM 能通过高比例的测试，但往往无法从头重建复杂程序（如 FFmpeg）。这表明存在“能力”（通过测试）与“结构”（深层约束理解）之间的区别。

理解债务的风险

Thomas Ahle 警告说，“理解债务”会导致开发者依赖 AI 维护一个“意大利面怪兽”式的代码——它能运行，却没有任何人真正理解。这种债务会使未来的演进陷入瘫痪，因为深层的、扎根的理解是下一代设计决策的基础。

认识论主观性与“AI 低质量产出”

AI 生成内容的激增在开源生态系统中制造了“污染海啸”或“低质量产出”。这导致技术协作的社会契约破裂，维护者不再能够假设贡献者已经在编写或审查 Pull Request 上投入了大量精力。这种“认识论主观性”发生在用户被 AI 说服认为平庸的输出很棒时，进而产生对工具的依赖，侵蚀了用户自身的批判性思维和领域专长。

---

摘要：Thomas Ahle 讨论了 CN101 热力学芯片的开发，该芯片利用物理噪声作为计算资源，以解决复杂的概率工作负载并实现矩阵求逆。

标题：正常计算与热力学 AI 芯片