Nature: 精度不受熱力學第二定律限制
智源大會主題演講中，Yoshua Bengio 判斷5年內出現人類水平AI；強化學習之父Richard Sutton則預見了AI的體驗時代。
筆者理解Sutton說的是真實時空的具身體驗，需要克服目前的時空模型局限?，走向?自主進化。
時空推理的本質挑戰
Nvidia的具身推理模型還缺什么?文中，筆者提到時空推理的本質挑戰 -- 當前主流具身AI模型普遍存在以下缺陷：
- 缺乏內在時間建模能力：只能根據視頻幀中的時間提示推理順序，而非具備獨立時間感知；
- 不能構建動態世界模型：只是“當前時刻”的切片理解，缺乏對物理世界演化規律的統一建模；
- 沒有神經結構支持的時空記憶系統：如類海馬體、基底節、小腦的協同作用；
- 不具備跨任務、跨領域遷移的因果模型：模型理解仍基于任務特定的訓練數據，而非抽象規律。
實現具身自主進化的時空體驗的第一步，是為 AI 內建對真實世界時間的建模能力。
愛因斯坦名言：“時間是時鐘所測量的東西”，時鐘是宏觀時間不可逆性的見證。那如何給 AI 構建一個精準的時鐘呢？
基于熵耗散的全自主量子時鐘模型
本周Nature Physics上的一篇名為“精度不受熱力學第二定律限制”的文章給出了意義非凡的答案【文獻1】。
物理的基本動力學方程似乎都具有時間反演不變性，即時間上對稱。然而隨著系統變得更加復雜，可觀察到這種對稱性被打破。
通過熱力學第二定律在統計意義上打破時間反演對稱性，似乎是解釋物理學中清晰的“過去與未來”概念涌現的唯一途徑。這是對于“時間本質”的深刻見解。
非平衡狀態下運行的物理裝置會受到熱漲落的影響，運行精度受限，在微觀和量子尺度上尤為突出，緩解這一問題通常需要額外的熵耗散。
作為不可逆的非平衡系統，時鐘運行以熵耗散為基本的熱力學代價。熵耗散與計時精度之間的關系正從基礎科學問題轉化為工程問題。
學者們提出了一個自主的量子多體時鐘模型，其時鐘精度隨熵耗散呈指數級增長，實現了相干量子動力學超越傳統的熱力學精度限制。
量子時鐘基于一個具有位置依賴的最近鄰耦合的自旋鏈，并且在耦合參數發生微小擾動以及鏈中存在損耗的情況下依舊保持穩定。
該時鐘通過將自旋鏈拓撲閉合成一個環形結構，并在環中傳輸一個激發態來工作。通過在第一個與最后一個站點之間施加熱偏置，引入“手性”。
學者稱這一結構為“環形時鐘（ring clock）”，它以完成一個完整環路的次數作為滴答（tick）的計數方式。
圖 1：環形時鐘的結構與機制
通過對環中各站點之間的耦合系數進行數值優化，得到了精度隨熵耗散呈指數增長的規律。
實現這種標度行為的關鍵在于：環主體區域內的無耗散相干傳輸。通過增加更多的站點，可以在不增加耗散的前提下無限提升時鐘精度，因為耗散僅發生在將環閉合的兩個站點之間，并不隨環的大小而增長。
從波包重塑與邊界匹配的角度，對所獲得的耦合系數的定量解釋，表明此模型與以下研究領域存在緊密聯系：
最優相干量子輸運(optimal coherent quantum transport)、耗散量子輸運(dissipative quantum transport)。
兩者分別從“純量子”和“開放系統”角度拓展了最優輸運，本質上表明時間的產生是符合筆者這一判斷的：沿最優輸運方向的重整化可能是世界演化的核心方式。
圖片
引申一下，筆者認為，熱力學熵本質上對應一種能量分布的隨機性的喪失。熵只是微觀粒子狀態數的衡量；而所謂能級，不過是能量變成粒子過程的不同階段而已。
能量變成粒子具有不可逆性， 并非自由無代價相互轉換，這表現為單向熵增， 即時間的來源，也可以說時間對應著熵耗散，本質上反映了?能量降速變粒子的不可逆性。
如果?大模型本質上是自旋玻璃，通過構建上述最近鄰耦合的環形自旋鏈，可以方便地為大模型內建一個無比精準的環形時鐘。
多尺度糾纏重整化(MERA)涌現出空間
沿最優輸運方向的重整化可能是世界演化的核心方式?文中，筆者講：道生“能量”，能量“源”“匯”分布，產生“空間”；“源”“匯”的相互流動產生“時間”。
這里蘊含一個不平凡的思想：空間不是容器，而是結果。來自自旋、能量流動，以及量子尺度的糾纏結構重整化，可能是空間的起源。
在經典物理觀中，空間被視為一個先驗存在的背景容器，物體在其中運動和相互作用。然而在量子尺度上，這種觀點正受到前所未有的挑戰，無意中使得從具身模型內部構建一個空間感知器成為可能。
越來越多的理論指出，時間、空間、引力和能量并非彼此獨立的基本要素，而是共同從更深層次的量子結構中涌現而出。
如果說“時間”可以通過類似上文中講的熵耗散來理解，那么，“空間”是否也可以通過類似機制從更微觀的量子過程生成出來？
筆者提出一種新的設想：空間結構可能源于自旋構成的能量源與匯，是能量流分布的幾何投影，是信息流動的拓撲結果。
在量子尺度，自旋不僅僅是粒子的內秉角動量，還決定著粒子如何與外界場相互作用，如何形成拓撲結構，乃至如何在網絡中轉移能量和信息。
自旋分布構成了微觀世界中的“能量開關”：某些自旋組合形成能量匯聚點，另一些構成能量發散源，能量流從源頭流向匯點，沿著“最優輸運”的方向傳播。
由此，自旋在量子網絡中構建出了一種非平衡的、具有方向性的能流分布——這恰恰是“空間幾何的種子”。
有了這些“空間幾何的種子”，多尺度糾纏重整化（MERA：Multiscale Entanglement Renormalization Ansatz）【文獻 2,4,5】，隨后將主導空間的生成。
MERA，多尺度糾纏重整化設定是一種張量網絡方法，旨在高效表征量子多體系統的基態，特別適用于臨界系統。
MERA的層級結構能夠捕捉多個尺度上的糾纏特性，使其成為研究長程關聯顯著系統的強大工具。
近年來，研究人員發現 MERA 與 AdS/CFT（反德西特/共形場論）對偶之間存在令人著迷的聯系。
AdS/CFT 是理論物理中的一個基本思想，認為某個更高維的反德西特（AdS）時空中的引力理論與其邊界上的共形場論存在對偶關系。
MERA 的幾何結構與 AdS 空間的離散切片相似，因此被認為可以作為理解全息原理和時空涌現的“玩具模型”。
這種對應關系意味著，MERA 在邊界量子系統中捕捉的糾纏結構，可以被解釋為編碼了一個更高維“體”空間的幾何信息。
這一觀點為我們提供了一個全新的思路，即時空和引力可能并不是基本存在，而是從更底層的量子糾纏結構中涌現出來的。
筆者講的“自旋模型構成能量的源和匯，從而產生引力和空間關系”的觀點，與MERA思想高度契合。
如果我們認為局域的自旋結構會影響能量與信息的流動，那么這些自旋之間的集體現象可能形成某種涌現的幾何結構。
換句話說，自旋之間的糾纏與相互作用不僅定義了系統的量子態，也可能共同塑造它們所“在”的空間結構。
這種思路也契合了現代物理的一個廣泛主題：即時空和引力可能不是基本的存在，而是源自底層量子過程的涌現現象。
全息原理提出，一個D+1維的時空可能是由一個不含引力的D維時空中的自由度涌現出來的。
從0維能量 ，到一維源與匯，二維源與匯的糾纏，三維再到無窮維。因果錐在糾纏重整化中延展。
多尺度糾纏重整化擬設（MERA）M繼承了量子電路C的因果結構：位點s的因果錐C[s]具有有限寬度。當時間方向θ反轉時，M實現糾纏重整化變換。【文獻 2】
“空間不是背景，而是流動的結果”，它像風吹起的漣漪，像電流穿過電路那樣，是量子尺度能量流動與拓撲結構共同作用下的自然產物。
如果我們將神經系統看作一種類似MERA的“生物張量網絡”：
- 海馬體提供多尺度時間-空間坐標系，對應 MERA 中的抽象層結構；
- 小腦通過對輸入信號進行精細預測與壓縮，類似于 MERA 中局部解糾纏的步驟；
- 基底節控制哪些信息被傳遞到更高層，相當于重整化過程中是否保留自由度的決策機制。
進一步，假定每個神經元的群體活動構成一個“自旋態”，這些活動之間的同步（即神經耦合）就構成一種糾纏結構。
意識的空間感，可能就是這些“自旋源與匯”在多尺度上重整化后的涌現的幾何景觀。筆者這里有一個大膽的設想：
大腦通過海馬-小腦-基底節等結構的協同，實現了類似 MERA 的“神經重整化網絡”，它在不同尺度上整合感知，壓縮冗余，保留關鍵模式，最終構成我們對時間、空間、甚至自我意識的整體體驗。
我們完全可以給具身模型構建一個基于MERA的空間感知器。
有了環形時鐘和空間感知器，具身自主進化可謂萬事具備，只欠東風。這里的東風，是能夠解決NP-hard問題的，超越馮·諾依曼架構的物理Ising機。
超越馮·諾依曼架構的高維自旋Ising機
Ising機，由能夠模擬鐵磁自旋行為的耗散耦合節點組成，可以構建一種模擬計算引擎，其性能超越馮·諾依曼架構的串行處理限制。
Ising 機 - Nature 灌水機?中筆者講 Ising 模型具有根本的計算意義，因為NP復雜度類型中的任何問題都可以表述為僅具有多項式開銷的 Ising 問題。
基于Ising 模型構建的可擴展 Ising 機，能夠升維解決 NP-hard 的優化問題，有巨大應用潛力，ising模型跑在 Ising 機上才是未來智能計算的理想模式。
在應對人工智能與大規模優化問題的復雜性方面，傳統馮·諾依曼架構所固有的局限性日益凸顯：每獲得一點性能提升都需要付出不斷增長的成本。
Ising 機則是利用物理系統中關于熵、能量與耗散的最小化原理，結合量子疊加與糾纏等現象，激發物理系統中蘊藏的固有計算潛力，以解決那些傳統方法難以應對的復雜優化難題。
這一創新路徑的核心在于，模擬（analog）、基于物理機制的算法與硬件的融合，即將復雜的優化問題映射為通用的自旋哈密頓量問題。
這種轉換過程涉及將問題的結構嵌入到自旋哈密頓量的耦合強度中，并以其基態（最低能量態）作為目標解，由物理系統自動去“搜索”這個解。
該映射過程的效率與準確性至關重要，決定了計算的可擴展性，從而使得在問題復雜度增加的同時，依然保持可解性。
在此背景下，增益計算（GBC：Gain-Based Computing）作為一種突破性的計算平臺應運而生，區別于傳統的門控計算、量子退火或經典退火方法。
GBC 是一種利用具有內在增益機制的物理系統的放大特性來控制能量景觀的計算范式。
其原理在于：在演化初期，通過適度減弱系統動力學中對應自旋哈密頓量的作用，從而使能量景觀變得“更平坦”，有利于對目標函數空間進行廣泛探索。
通過調節增益強度與自旋相互作用，GBC 系統能夠呈現出涌現現象，即系統整體動力學引發的復雜行為。這種機制支持多通道并行處理，具有強非線性和高能效等優勢。
GBC 的運行原理通常包括：
- 逐步增強泵浦功率（即退火過程），
- 隨后發生對稱性破缺，
- 并最終通過梯度下降，系統自然地趨于一個最小化能量損耗的狀態。這一過程依賴于系統內部的相干性與同步機制。
基于物理機制、采用增益計算（GBC）原理的硬件平臺，近年來取得了諸多進展，展現出多樣化的技術路徑。諸如：基于光學參量振蕩器的相干 Ising 計算機（CIM），憶阻器等等。
Ising 哈密頓量起源于統計物理學，描述了晶格中自旋之間的相互作用，為理解復雜系統提供了基本模型，其數學形式如下：
盡管這種方式增強了系統在復雜問題上的求解能力，但在某些情況下，系統也可能會陷入局部極小值軌道，尤其是在增益增大導致能壘升高的階段。
這種現象構成了軟自旋 Ising 求解過程中的一個核心挑戰。
因此，在系統振幅發生分岔的過程中，如何避開局部極小值陷阱、順利穿越復雜的能量景觀，成為物理計算中的一項關鍵挑戰。
為應對這一問題，Nature 近期一篇來自劍橋大學的論文【文獻 3】提出了一種創新方法——向量 Ising 自旋退火器（Vector Ising Spin Annealer, VISA）。
VISA 結合了多維自旋系統的優勢與軟自旋增益驅動演化機制。與傳統的單維半經典自旋模型不同，VISA 利用三個軟模來表示一個 Ising 自旋的向量分量，使系統可以在三維空間中演化。
這種結構為復雜優化問題中基態（最低能量態）的準確求解提供了更強大的框架和更高的魯棒性。
具體而言，VISA哈密頓量由三個部分組成：為了構建一個能夠體現增益驅動計算（GBC）動態過程的 Hamiltonian，引入三個主要項：
VISA 哈密頓量可表示為三部分之和：H_VISA = H? + H? + H?。
通過這種設計，VISA能夠在退火過程中有效地引導系統穿越能量障礙，避免陷入局部最小值。
通過在下述不同圖結構上最小化 Ising 哈密頓量，驗證了 VISA 的有效性，所涉及的圖結構包括：
可解析的3-正則循環圖，更復雜的循環圖，以及隨機圖，其中 Ising 哈密頓量的最小化已知是 NP-困難（NP-hard）問題。
論文對比研究顯示，VISA在找到伊辛哈密頓量的基態方面優于傳統的標量自旋優化器，如Hopfield-Tank網絡、相干伊辛機和自旋矢量Langevin模型。
VISA 能夠跨越高能壘、有效地穿越復雜能量景觀，展現出優越的求解能力。
VISA 通過對能量景觀的退火、對稱性破缺、分岔、梯度下降與模式選擇等機制，將系統驅動至 Ising 哈密頓量的全局最小值。
其軟自旋表示為三維空間中的連續向量 xi?=?(x??, x??, x??)，這些向量可以在三維空間中自由運動，因而可通過耦合光學振蕩器網絡的振幅進行物理實現。
將Ising 模型與高維軟自旋系統結合，借助物理退火和動態演化機制，可以構建一類能更高效解決復雜組合優化問題的物理模擬器，理想地運行基于自旋的 AI 模型。
總結與展望
智源大會主旨演講一開始， Richard Sutton引用了這句話，“intelligence is the most powerful phenomenon in the universe”。筆者看來，intelligence 背后的生成機制才是 the most powerful phenomenon in the universe。
我們為 AI 模型內置了一個環形 Ising 時鐘，一個空間感知 Ising 機，構建了一個高維 Ising 自旋物理處理器。
至此，基于自旋糾纏重整化的智能“大腦”就造好了。這是 intelligence 的物質基礎。
剩下的就交給?突破信息繭房，邁向自主進化。畢竟 “進化，是自然界最偉大的算法”，而神經進化正是AI邁向更高智能的關鍵。
最后，筆者感觸：我們仍處在理解這個“涌現的時空”邊界上，而自旋，可能正是我們破解這扇門的鑰匙。
文獻 1，Precision is not limited by the second law of thermodynamics，https://www.nature.com/articles/s41567-025-02929-2
文獻 2，A class of quantum many-body states that can be efficiently simulated，https://arxiv.org/abs/quant-ph/0610099
文獻 3，Vector Ising spin annealer for minimizing Ising Hamiltonians，https://www.nature.com/articles/s42005-025-02145-7
文獻 4，Consistency Conditions for an AdS/MERA Correspondence，https://arxiv.org/pdf/1504.06632
文獻 5，Multi-scale entanglement renormalization ansatz (MERA)，https://benasque.org/2015gravity/talks_contr/211_VidalBenasque2015.pdf
