正常計算與熱力學 AI 晶片

熱力學計算：將噪聲視為資源

熱力學計算透過將物理噪聲視為計算的核心機制，而非需要消除的敵人，改變了晶片設計的範式。傳統半導體製造投入大量資源，確保電晶體精確落在 0 或 1；熱力學計算則利用硬體固有的隨機性來求解隨機微分方程。

CN101 晶片

正常計算公司開發了 CN101，全球首款熱力學計算晶片。該硬體由一組可程式化電阻的電容陣列組成。透過向系統注入噪聲，晶片會依照隨機微分方程運作，讓它在概率工作負載上得到答案，這在傳統硬體上計算成本極高。具體而言，該晶片可用於矩陣求逆，讓物理噪聲自行穩定到代表已編程權重矩陣逆的狀態。

在概率機器學習中的應用

此方法特別適合貝葉斯智慧與概率機器學習，因為不確定性量化至關重要。現代生成式 AI 著重於 token 流，而熱力學計算則針對貝葉斯推理的底層數學挑戰，如馬可夫鏈蒙特卡羅 (MCMC) 與擴散模型，其中在 GPU 上抽樣高斯隨機變數是主要瓶頸。

AI 驅動的晶片設計與形式驗證

為了加速 tape‑out 的流程，正常計算使用「群體」AI 代理人處理晶片設計、最佳化與驗證的全端流程。

Verilog 模擬器專案

因為商業電子設計自動化 (EDA) 工具價格高昂——常見的每核心授權費用高達 $10,000 美元——正常計算自行打造了開源 Verilog 模擬器。透過 AI 代理人，團隊在 43 天內產生約 580,000 行程式碼。此專案凸顯了遞迴自我改進的潛力：AI 協助建構設計更佳 AI 硬體所需的工具。

形式驗證的挑戰

在硬體領域，一個錯誤可能造成數百萬美元的損失（例如歷史上某 Intel 部門的錯誤，損失介於 5 億至 20 億美元之間）。因此，形式驗證是必須的。正常計算採用「自動形式化」的流程，將人工規格轉換為形式模型（例如使用 Lean 或 TLA+）。

關鍵策略包括：

• AlphaProof 詭計：訓練模型「證明或反證」某個性質。即使形式化略有錯誤，模型仍可透過證明該敘述為假而提供有價值的訓練資料。
• 多層次形式化：針對不同抽象層級使用不同工具，例如使用 SystemVerilog Assertions (SVA) 進行週期層級驗證，使用 TLA+ 或時序 Petri 網路驗證高層協議與系統層級屬性（例如防止 DRAM 死鎖）。

代理程式碼的「理解債」

隨著 AI 代理人產生越來越龐大的程式碼庫，軟體的功能表現與人類對其結構的理解之間出現了鴻溝。

結構 vs. 能力

引用 ProgramBench，討論指出大型語言模型往往無法從頭重建複雜程式（如 FFmpeg），即使它們能通過高比例的測試。這暗示了「能力」（通過測試）與「結構」（理解程式深層限制）之間的差異。

理解債的風險

Thomas Ahle 警告「理解債」的危險：開發者依賴 AI 維護一個「意大利麵怪獸」般的程式碼，雖然能運作卻無人真正理解。這種債務會使未來的演進陷入癱瘓，因為深度且扎實的理解是下一代設計決策的基礎。

認知主觀性與「AI 廢料」

AI 生成內容的激增在開源生態系統中造成「污染海嘯」或「廢料」。這導致技術合作的社會契約崩解，維護者無法再假設貢獻者已投入大量時間撰寫或審查 Pull Request。當使用者被 AI 說服，認為平庸的輸出已經很棒時，就產生了「認知主觀性」：對工具產生依賴，侵蝕了使用者自身的批判思考與領域專業知識。