人脑只用20瓦，机房却要一座城：硅谷如何用动力学芯片掀翻冯·诺依曼旧图纸

来看一组刚在 All-In 峰会上公开的数据。 光 Google 一家公司，一个月就要处理大约 3.2 万亿亿个 token。 如果按每个 token 消耗 10 焦耳能量计算，这已经算是极省电的模型了。 把这个数字乘出来，Google 光是跑 AI，就需要 12 吉瓦的持续供电。

12 吉瓦是什么概念？ 全美国所有数据中心的总用电容量，加起来也就 40 吉瓦出头。 一家公司的 AI 业务，直接吞掉全美近三分之一的数据中心电力。 现在去建数据中心，最值钱的早就不再是地皮或者机架。 哪怕用户只是在对话框里敲下一句话，成本里整整 50% 纯粹是在交电费。 照这个速度跑下去，业内估计最多三年，现有的电网就会被活活吸干。

这时候悲观派跑出来喊了： AI 的扩张必然撞上物理电网的硬墙，我们很快就要无电可用了。

真的吗？ 大自然可不这么认为。 人类的大脑能写诗、能推理、能做复杂的科学研究。 它满负荷运转需要多少功率？ 20 瓦。 一盏普通床头灯的电量。

动物就更离谱了。 一只猴子的大脑功率大约 1 瓦，跟你兜里的智能手机差不多。 一只松鼠在树枝之间闪转腾挪，跳一千次能准准落上一千次。 控制这种精密身体动作的松鼠大脑，功率只有 8 毫瓦。 把你手机里的电量分一分，足够同时驱动一百多只松鼠的大脑。

一边是 20 瓦就能运转的人类智慧； 一边是跑几个模型就恨不得吃掉几座核电站的数据中心。 为什么差距能大到十个数量级？

曾经创办过全球第一家 AI 芯片公司、后来又去读了神经科学博士的纳芬·拉奥（Naveen Rao），在峰会上把账算了一遍。 从 1945 年第一台电子计算机 ENIAC 诞生开始，我们造计算机的方法就彻底搞错了。

当年美军造 ENIAC，唯一的目的是为了快速计算火炮的弹道轨迹。 设计者唯一关心的，就是它能不能比人工计算更快。 至于耗多少电，当年根本没人考虑。 于是约翰·冯·诺依曼定下了那套经典图纸： 一边是负责计算的处理器，一边是负责存数据的内存，两边通过总线相连。 这套存算分离的冯·诺依曼架构，统治了人类科技整整八十年。

可这套架构跑别的东西还行，拿来跑现代 AI，简直就是一场灾难。 在芯片内部，做一次微小的数学乘加，消耗的能量极其微弱。 真正吃电的大老虎，是在处理器和内存之间来回搬运数据。 现代 GPU 跑大模型，80% 以上的电量根本没有花在思考上。 全是在导线上疯狂倒腾比特，白白把能量散成了废热。

看一组对比就知道有多夸张： 人类大脑皮层有 140 亿个神经元，每秒钟在神经元之间传递的信息，只有大约 160 亿个比特。 而一块顶级的现代 GPU，每秒钟光是在芯片和内存之间搬运的数据，就高达近 30 万亿比特。 导线里的电子在疯狂奔跑，能不把变电站给烧穿吗？

那大自然的大脑又是怎么算的？ 脑子里可没有浮点数，也没有矩阵乘法。 神经元本身既在存信息，又在做计算，完全没有内存总线这种中间商。 大自然是用物理规律本身在做计算。

拉奥的团队决定彻底掀桌子，造一台真正的物理动力学计算机。 他们把这套逻辑做成了一个非常精巧的硅基系统。 怎么理解这种机器？ 想象一下，把几个机械节拍器放在一块可以自由滑动的木板上。 刚开始把它们拨动起来，每个摆锤晃动的节奏完全不一样，各摆各的。 但因为它们都立在同一块木板上，每一次摆动都会给木板施加微弱的推力。 不需要任何外力干涉，只要几十秒，所有节拍器就会全部步调一致，锁定在同一个相位里。

这就是物理系统天然具备的耦合约振特性。 它们不靠任何算法代码，光靠物理相互作用，自己就能找到系统的稳态。 拉奥团队造出的芯片，就是由密集排列的硅基微型振荡器构成的网络。 输入进去的数据不再是二进制的 0 和 1。 数据变成了连续的波形。 让电信号在振荡器网络里自发振荡、耦合、干涉。 物理系统最终沉淀下来的相位状态，就是计算出来的答案。

每一个振荡元件自身就是存储单元，彻底砍掉了外部内存接口。 再加上三维晶圆堆叠技术与时间维度的连续演化，他们把这套架构称为四维计算。 连矩阵乘法这个基础概念，在硬件底层都不存在了。

听起来像科幻小说？ 今年 6 月 1 日，第一批芯片设计被送进晶圆厂。 现在实物芯片已经回到了实验室，并且成功生成了第一批图像。 实测功耗数据让整个行业为之一震： 用这块芯片生成一张图片，只需要大约 500 纳焦耳的能量。 传统顶级 GPU 跑同样的生成任务，耗能是在毫焦耳级别。 纳焦耳是十亿分之一焦耳，毫焦耳是千分之一焦耳。 能耗直接被砍掉了几千倍。

如果算力的能耗门槛真能暴跌上千倍，未来的数据中心是不是就能少建了？ 历史给出的答案恰恰相反。 早在 1865 年，英国经济学家杰文斯就记录过一个反直觉的现象： 当瓦特改良了蒸汽机、让煤炭利用效率大幅飙升之后，英国的煤炭消耗量不仅没有减少，反而迎来了暴增。 因为当核心资源的成本暴跌，全社会的需求会被指数级释放。 这就是著名的杰文斯悖论。

一旦能耗这堵高墙被物理动力学计算推倒，算力就会从昂贵的集中式变电站里解放出来。 未来的 AI 不会把地球电网吸干。 它们会像松鼠的大脑一样轻巧，钻进几十亿台机器人、传感器和便携设备里。 这场看似窒息的能源危机，更像是大自然给出的一个提醒： 八十年前那张给算盘提速的旧图纸，早就该翻篇了。