回复
Nature: 精度不受热力学第二定律限制
智源大会主题演讲中，Yoshua Bengio 判断5年内出现人类水平AI；强化学习之父Richard Sutton则预见了AI的体验时代。
笔者理解Sutton说的是真实时空的具身体验，需要克服目前的时空模型局限，走向自主进化。
时空推理的本质挑战
Nvidia的具身推理模型还缺什么文中，笔者提到时空推理的本质挑战 -- 当前主流具身AI模型普遍存在以下缺陷：
- 缺乏内在时间建模能力：只能根据视频帧中的时间提示推理顺序，而非具备独立时间感知；
- 不能构建动态世界模型：只是“当前时刻”的切片理解，缺乏对物理世界演化规律的统一建模；
- 没有神经结构支持的时空记忆系统：如类海马体、基底节、小脑的协同作用；
- 不具备跨任务、跨领域迁移的因果模型：模型理解仍基于任务特定的训练数据，而非抽象规律。
实现具身自主进化的时空体验的第一步，是为 AI 内建对真实世界时间的建模能力。
爱因斯坦名言：“时间是时钟所测量的东西”，时钟是宏观时间不可逆性的见证。那如何给 AI 构建一个精准的时钟呢？
基于熵耗散的全自主量子时钟模型
本周Nature Physics上的一篇名为“精度不受热力学第二定律限制”的文章给出了意义非凡的答案【文献1】。
物理的基本动力学方程似乎都具有时间反演不变性，即时间上对称。然而随着系统变得更加复杂，可观察到这种对称性被打破。
通过热力学第二定律在统计意义上打破时间反演对称性，似乎是解释物理学中清晰的“过去与未来”概念涌现的唯一途径。这是对于“时间本质”的深刻见解。
非平衡状态下运行的物理装置会受到热涨落的影响，运行精度受限，在微观和量子尺度上尤为突出，缓解这一问题通常需要额外的熵耗散。
作为不可逆的非平衡系统，时钟运行以熵耗散为基本的热力学代价。熵耗散与计时精度之间的关系正从基础科学问题转化为工程问题。
学者们提出了一个自主的量子多体时钟模型，其时钟精度随熵耗散呈指数级增长，实现了相干量子动力学超越传统的热力学精度限制。
量子时钟基于一个具有位置依赖的最近邻耦合的自旋链，并且在耦合参数发生微小扰动以及链中存在损耗的情况下依旧保持稳定。
该时钟通过将自旋链拓扑闭合成一个环形结构，并在环中传输一个激发态来工作。通过在第一个与最后一个站点之间施加热偏置，引入“手性”。
学者称这一结构为“环形时钟（ring clock）”，它以完成一个完整环路的次数作为滴答（tick）的计数方式。
图 1：环形时钟的结构与机制
通过对环中各站点之间的耦合系数进行数值优化，得到了精度随熵耗散呈指数增长的规律。
实现这种标度行为的关键在于：环主体区域内的无耗散相干传输。通过增加更多的站点，可以在不增加耗散的前提下无限提升时钟精度，因为耗散仅发生在将环闭合的两个站点之间，并不随环的大小而增长。
从波包重塑与边界匹配的角度，对所获得的耦合系数的定量解释，表明此模型与以下研究领域存在紧密联系：
最优相干量子输运(optimal coherent quantum transport)、耗散量子输运(dissipative quantum transport)。
两者分别从“纯量子”和“开放系统”角度拓展了最优输运，本质上表明时间的产生是符合笔者这一判断的：沿最优输运方向的重整化可能是世界演化的核心方式。
图片
引申一下，笔者认为，热力学熵本质上对应一种能量分布的随机性的丧失。熵只是微观粒子状态数的衡量；而所谓能级，不过是能量变成粒子过程的不同阶段而已。
能量变成粒子具有不可逆性， 并非自由无代价相互转换，这表现为单向熵增， 即时间的来源，也可以说时间对应着熵耗散，本质上反映了能量降速变粒子的不可逆性。
如果大模型本质上是自旋玻璃，通过构建上述最近邻耦合的环形自旋链，可以方便地为大模型内建一个无比精准的环形时钟。
多尺度纠缠重整化(MERA)涌现出空间
沿最优输运方向的重整化可能是世界演化的核心方式文中，笔者讲：道生“能量”，能量“源”“汇”分布，产生“空间”；“源”“汇”的相互流动产生“时间”。
这里蕴含一个不平凡的思想：空间不是容器，而是结果。来自自旋、能量流动，以及量子尺度的纠缠结构重整化，可能是空间的起源。
在经典物理观中，空间被视为一个先验存在的背景容器，物体在其中运动和相互作用。然而在量子尺度上，这种观点正受到前所未有的挑战，无意中使得从具身模型内部构建一个空间感知器成为可能。
越来越多的理论指出，时间、空间、引力和能量并非彼此独立的基本要素，而是共同从更深层次的量子结构中涌现而出。
如果说“时间”可以通过类似上文中讲的熵耗散来理解，那么，“空间”是否也可以通过类似机制从更微观的量子过程生成出来？
笔者提出一种新的设想：空间结构可能源于自旋构成的能量源与汇，是能量流分布的几何投影，是信息流动的拓扑结果。
在量子尺度，自旋不仅仅是粒子的内秉角动量，还决定着粒子如何与外界场相互作用，如何形成拓扑结构，乃至如何在网络中转移能量和信息。
自旋分布构成了微观世界中的“能量开关”：某些自旋组合形成能量汇聚点，另一些构成能量发散源，能量流从源头流向汇点，沿着“最优输运”的方向传播。
由此，自旋在量子网络中构建出了一种非平衡的、具有方向性的能流分布——这恰恰是“空间几何的种子”。
有了这些“空间几何的种子”，多尺度纠缠重整化（MERA：Multiscale Entanglement Renormalization Ansatz）【文献 2,4,5】，随后将主导空间的生成。
MERA，多尺度纠缠重整化设定是一种张量网络方法，旨在高效表征量子多体系统的基态，特别适用于临界系统。
MERA的层级结构能够捕捉多个尺度上的纠缠特性，使其成为研究长程关联显著系统的强大工具。
近年来，研究人员发现 MERA 与 AdS/CFT（反德西特/共形场论）对偶之间存在令人着迷的联系。
AdS/CFT 是理论物理中的一个基本思想，认为某个更高维的反德西特（AdS）时空中的引力理论与其边界上的共形场论存在对偶关系。
MERA 的几何结构与 AdS 空间的离散切片相似，因此被认为可以作为理解全息原理和时空涌现的“玩具模型”。
这种对应关系意味着，MERA 在边界量子系统中捕捉的纠缠结构，可以被解释为编码了一个更高维“体”空间的几何信息。
这一观点为我们提供了一个全新的思路，即时空和引力可能并不是基本存在，而是从更底层的量子纠缠结构中涌现出来的。
笔者讲的“自旋模型构成能量的源和汇，从而产生引力和空间关系”的观点，与MERA思想高度契合。
如果我们认为局域的自旋结构会影响能量与信息的流动，那么这些自旋之间的集体现象可能形成某种涌现的几何结构。
换句话说，自旋之间的纠缠与相互作用不仅定义了系统的量子态，也可能共同塑造它们所“在”的空间结构。
这种思路也契合了现代物理的一个广泛主题：即时空和引力可能不是基本的存在，而是源自底层量子过程的涌现现象。
全息原理提出，一个D+1维的时空可能是由一个不含引力的D维时空中的自由度涌现出来的。
从0维能量 ，到一维源与汇，二维源与汇的纠缠，三维再到无穷维。因果锥在纠缠重整化中延展。
多尺度纠缠重整化拟设（MERA）M继承了量子电路C的因果结构：位点s的因果锥C[s]具有有限宽度。当时间方向θ反转时，M实现纠缠重整化变换。【文献 2】
“空间不是背景，而是流动的结果”，它像风吹起的涟漪，像电流穿过电路那样，是量子尺度能量流动与拓扑结构共同作用下的自然产物。
如果我们将神经系统看作一种类似MERA的“生物张量网络”：
- 海马体提供多尺度时间-空间坐标系，对应 MERA 中的抽象层结构；
- 小脑通过对输入信号进行精细预测与压缩，类似于 MERA 中局部解纠缠的步骤；
- 基底节控制哪些信息被传递到更高层，相当于重整化过程中是否保留自由度的决策机制。
进一步，假定每个神经元的群体活动构成一个“自旋态”，这些活动之间的同步（即神经耦合）就构成一种纠缠结构。
意识的空间感，可能就是这些“自旋源与汇”在多尺度上重整化后的涌现的几何景观。笔者这里有一个大胆的设想：
大脑通过海马-小脑-基底节等结构的协同，实现了类似 MERA 的“神经重整化网络”，它在不同尺度上整合感知，压缩冗余，保留关键模式，最终构成我们对时间、空间、甚至自我意识的整体体验。
我们完全可以给具身模型构建一个基于MERA的空间感知器。
有了环形时钟和空间感知器，具身自主进化可谓万事具备，只欠东风。这里的东风，是能够解决NP-hard问题的，超越冯·诺依曼架构的物理Ising机。
超越冯·诺依曼架构的高维自旋Ising机
Ising机，由能够模拟铁磁自旋行为的耗散耦合节点组成，可以构建一种模拟计算引擎，其性能超越冯·诺依曼架构的串行处理限制。
Ising 机 - Nature 灌水机中笔者讲 Ising 模型具有根本的计算意义，因为NP复杂度类型中的任何问题都可以表述为仅具有多项式开销的 Ising 问题。
基于Ising 模型构建的可扩展 Ising 机，能够升维解决 NP-hard 的优化问题，有巨大应用潜力，ising模型跑在 Ising 机上才是未来智能计算的理想模式。
在应对人工智能与大规模优化问题的复杂性方面，传统冯·诺依曼架构所固有的局限性日益凸显：每获得一点性能提升都需要付出不断增长的成本。
Ising 机则是利用物理系统中关于熵、能量与耗散的最小化原理，结合量子叠加与纠缠等现象，激发物理系统中蕴藏的固有计算潜力，以解决那些传统方法难以应对的复杂优化难题。
这一创新路径的核心在于，模拟（analog）、基于物理机制的算法与硬件的融合，即将复杂的优化问题映射为通用的自旋哈密顿量问题。
这种转换过程涉及将问题的结构嵌入到自旋哈密顿量的耦合强度中，并以其基态（最低能量态）作为目标解，由物理系统自动去“搜索”这个解。
该映射过程的效率与准确性至关重要，决定了计算的可扩展性，从而使得在问题复杂度增加的同时，依然保持可解性。
在此背景下，增益计算（GBC：Gain-Based Computing）作为一种突破性的计算平台应运而生，区别于传统的门控计算、量子退火或经典退火方法。
GBC 是一种利用具有内在增益机制的物理系统的放大特性来控制能量景观的计算范式。
其原理在于：在演化初期，通过适度减弱系统动力学中对应自旋哈密顿量的作用，从而使能量景观变得“更平坦”，有利于对目标函数空间进行广泛探索。
通过调节增益强度与自旋相互作用，GBC 系统能够呈现出涌现现象，即系统整体动力学引发的复杂行为。这种机制支持多通道并行处理，具有强非线性和高能效等优势。
GBC 的运行原理通常包括：
- 逐步增强泵浦功率（即退火过程），
- 随后发生对称性破缺，
- 并最终通过梯度下降，系统自然地趋于一个最小化能量损耗的状态。这一过程依赖于系统内部的相干性与同步机制。
基于物理机制、采用增益计算（GBC）原理的硬件平台，近年来取得了诸多进展，展现出多样化的技术路径。诸如：基于光学参量振荡器的相干 Ising 计算机（CIM），忆阻器等等。
Ising 哈密顿量起源于统计物理学，描述了晶格中自旋之间的相互作用，为理解复杂系统提供了基本模型，其数学形式如下：
尽管这种方式增强了系统在复杂问题上的求解能力，但在某些情况下，系统也可能会陷入局部极小值轨道，尤其是在增益增大导致能垒升高的阶段。
这种现象构成了软自旋 Ising 求解过程中的一个核心挑战。
因此，在系统振幅发生分岔的过程中，如何避开局部极小值陷阱、顺利穿越复杂的能量景观，成为物理计算中的一项关键挑战。
为应对这一问题，Nature 近期一篇来自剑桥大学的论文【文献 3】提出了一种创新方法——向量 Ising 自旋退火器（Vector Ising Spin Annealer, VISA）。
VISA 结合了多维自旋系统的优势与软自旋增益驱动演化机制。与传统的单维半经典自旋模型不同，VISA 利用三个软模来表示一个 Ising 自旋的向量分量，使系统可以在三维空间中演化。
这种结构为复杂优化问题中基态（最低能量态）的准确求解提供了更强大的框架和更高的鲁棒性。
具体而言，VISA哈密顿量由三个部分组成：为了构建一个能够体现增益驱动计算（GBC）动态过程的 Hamiltonian，引入三个主要项：
VISA 哈密顿量可表示为三部分之和：H_VISA = H₁ + H₂ + H₃。
通过这种设计，VISA能够在退火过程中有效地引导系统穿越能量障碍，避免陷入局部最小值。
通过在下述不同图结构上最小化 Ising 哈密顿量，验证了 VISA 的有效性，所涉及的图结构包括：
可解析的3-正则循环图，更复杂的循环图，以及随机图，其中 Ising 哈密顿量的最小化已知是 NP-困难（NP-hard）问题。
论文对比研究显示，VISA在找到伊辛哈密顿量的基态方面优于传统的标量自旋优化器，如Hopfield-Tank网络、相干伊辛机和自旋矢量Langevin模型。
VISA 能够跨越高能垒、有效地穿越复杂能量景观，展现出优越的求解能力。
VISA 通过对能量景观的退火、对称性破缺、分岔、梯度下降与模式选择等机制，将系统驱动至 Ising 哈密顿量的全局最小值。
其软自旋表示为三维空间中的连续向量 xi = (x₁ᵢ, x₂ᵢ, x₃ᵢ)，这些向量可以在三维空间中自由运动，因而可通过耦合光学振荡器网络的振幅进行物理实现。
将Ising 模型与高维软自旋系统结合，借助物理退火和动态演化机制，可以构建一类能更高效解决复杂组合优化问题的物理模拟器，理想地运行基于自旋的 AI 模型。
总结与展望
智源大会主旨演讲一开始， Richard Sutton引用了这句话，“intelligence is the most powerful phenomenon in the universe”。笔者看来，intelligence 背后的生成机制才是 the most powerful phenomenon in the universe。
我们为 AI 模型内置了一个环形 Ising 时钟，一个空间感知 Ising 机，构建了一个高维 Ising 自旋物理处理器。
至此，基于自旋纠缠重整化的智能“大脑”就造好了。这是 intelligence 的物质基础。
剩下的就交给突破信息茧房，迈向自主进化。毕竟 “进化，是自然界最伟大的算法”，而神经进化正是AI迈向更高智能的关键。
最后，笔者感触：我们仍处在理解这个“涌现的时空”边界上，而自旋，可能正是我们破解这扇门的钥匙。
文献 1，Precision is not limited by the second law of thermodynamics，https://www.nature.com/articles/s41567-025-02929-2
文献 2，A class of quantum many-body states that can be efficiently simulated，https://arxiv.org/abs/quant-ph/0610099
文献 3，Vector Ising spin annealer for minimizing Ising Hamiltonians，https://www.nature.com/articles/s42005-025-02145-7
文献 4，Consistency Conditions for an AdS/MERA Correspondence，https://arxiv.org/pdf/1504.06632
文献 5，Multi-scale entanglement renormalization ansatz (MERA)，https://benasque.org/2015gravity/talks_contr/211_VidalBenasque2015.pdf
赞
收藏
回复
相关推荐
