這次我們不看新框架而是回到一個很“硬”的問題如果把人的大腦看作一臺計算機它的算力上限到底是多少很多人第一時間會想到神經元數量、突觸連接規模但 Ralph Merkle 在 1989 年給出了一條更物理的思考路徑——用能量消耗來限制大腦的計算能力。這篇論文的標題就叫Energy Limits to the Computational Power of the Human Brain作者正是提出 Merkle 樹、參與公鑰密碼學奠基的 Ralph Merkle。這可能是你第一次意識到計算不僅受晶體管數量和算法約束還受熱力學約束。一臺計算機要完成信息處理就必須付出最小能量代價。大腦只有 20 瓦左右的功耗卻要維持千億級神經元的協同工作。那么這 20 瓦到底能換來多少次基本運算遠高于現在的超算還是低到令人失望本文會拆解這篇論文的核心思想然后用 Python 實際估算“大腦算力上限”最后討論它對今天 AI、芯片設計、神經形態計算的啟示。如果你關心計算極限、能效比、物理信息論或者好奇“大腦和 GPU 到底誰更高效”這篇文章可以直接收藏。1. 核心能力速覽這篇論文在講什么先給一個快速信息表讓你在繼續往下讀之前就能判斷這篇文章是否值得看。項目內容論文標題Energy Limits to the Computational Power of the Human Brain作者Ralph Merkle發表時間1989研究問題人腦作為物理系統其計算能力受能量限制的上限是多少理論基礎熱力學、信息論、Landauer 原理關鍵對象大腦功耗、神經元計算、每比特操作最小能量核心思路用功耗除以每次基本操作的最小能量估算每秒最大操作數典型數值室溫下 kT ln2 ≈ 2.87×10?21 J大腦功耗約 20 W這是通用物理常數和常識估算對今天的啟示能效比、物理極限、神經形態計算、AI 算力評估適合讀者計算理論、計算機體系結構、AI、神經科學、物理信息學方向的開發者與研究者可以明確說這并不是一篇教你部署什么工具的教程而是一篇“計算哲學 物理信息論”的經典文獻。但它對現代計算技術的啟發非常直接所有計算設備包括 GPU、NPU、類腦芯片物理上都要為每一步信息操作消耗能量。理解這個極限再回看綠色計算、低功耗 AI、邊緣推理感受會完全不同。2. 適用場景與使用邊界這篇論文適合誰正在做低功耗 AI 推理、端側模型部署的人能從物理層面理解為什么不能無限堆算力。關注類腦計算、神經形態芯片的人能看到“大腦不是數字計算機”這一觀點的最早系統化表達之一。做算法復雜度和性能優化的人能學會用一種“能耗預算”視角評估算法是否劃算。對科學史、計算理論感興趣的讀者能看到 1989 年的科學家如何用熱力學來框定生物計算的上限。它不適合誰想找現成 Python 庫或部署包的人這篇論文不提供代碼。想獲得大腦具象計算精度報告的人論文不會告訴你大腦是否“等效于多少 PFLOPs”。喜歡明確結論多于思想框架的人可能會覺得論文更像一個思維實驗。使用邊界方面要提醒三件事論文中的計算是高度理想化的模型不能直接等同于真實神經元的信息處理效率。大腦是模擬、化學、多模態并行的系統用數字計算機的“比特操作”框架去套會丟失大量生物學細節。任何關于“大腦算力”的估算都應該被理解為一種物理上界而不是實際算力。實際算力要低很多。3. 熱力學極限為什么能限制計算要理解這篇論文先要理解 Landauer 原理在常溫常壓下計算機擦除一位信息至少需要消耗 (k_B T \ln 2) 的能量。這里的 (k_B) 是玻爾茲曼常數(T) 是絕對溫度。這個原理說明信息不是抽象的它一定要有物理載體而物理載體就不能擺脫熱力學約束。Landauer 原理最重要的推論是如果一臺計算機只做可逆運算理論上可以無限接近零能耗但只要涉及不可逆操作比如丟棄信息、重置寄存器、分支跳轉產生的狀態清理就必須消耗最少能量。現代 CPU 和 GPU 之所以功耗巨大正是因為它們大量執行不可逆邏輯運算而且每個晶體管開關都在不可逆地耗散熱量。在上世紀 80 年代計算機界剛開始意識到能耗墻問題。Merkle 的貢獻在于把這個原理平移到了生物系統。神經元傳遞信號、突觸釋放神經遞質、離子通道打開關閉都是物理過程。如果大腦進行計算那么它的總功耗就決定了它在給定時間內最多能完成多少次“類信息操作”。用公式表示就是[ \text{每秒最大操作數} \le \frac{\text{功耗}}{\text{每次操作最小能量}} ]這個式子看起來簡單卻非常有力。它把神經科學和熱力學連在了一起讓我們可以不用搞清所有神經元細節先給出一個物理上絕對無法突破的區域。4. 把人腦看作一臺熱力學計算機大腦是一個功耗極低但規模極大的系統。人體休息時大腦功耗大約為 20 瓦只占全身能耗的 20% 左右。但這個 20 瓦里塞進了約 860 億個神經元每個神經元平均約一千到一萬個突觸連接。如果完全按照數字電路模型理解這是一個龐大到難以想象的狀態空間。從熱力學角度看問題我們要問的不是“大腦有多少參數”而是“20 瓦能在每秒內支撐多少次基礎狀態改變”。按室溫 300K 下的 Landauer 極限每個比特操作的最小能量約是 (2.87 \times 10^{-21} J)。用 20 瓦直接去除可以得到一個數量級為 (10^{21}) 次每秒的比特操作上限。這個數字遠遠超過地球上任何一臺超級計算機的每秒浮點運算量。但這里有個關鍵點這個 (10^{21}) 是理論上限不是大腦實際表現。真實神經元單次動作電位消耗的能量比 Landauer 極限高出多個數量級。一個神經元發放一次動作電位涉及的離子泵消耗大約在 (10^{-15}) J 級別。如果按這個實際能耗反推860 億個神經元平均每秒總共能完成的動作電位次數就在 (10^{14}) 到 (10^{16}) 次量級。這樣看大腦的“實際計算速度”遠低于物理極限中間有巨大的優化空間。Merkle 論文的價值就在于指出這個“巨大的差距”。它說明大腦并沒有被能量極限逼到墻角相反它是在耗能冗余的情況下運行的。真正限制大腦能力的可能是連接結構、分子擴散噪聲、信息編碼方式和發育機制而不是簡單的功耗上限。5. 用 Python 估算大腦的理論算力上限這一節我們直接用 Python 做數量級估算。首先從熱力學極限開始然后逐步加進更實際的神經元能耗假設最后再和現代 GPU 的能效做對比。5.1 按 Landauer 極限估算import math # 玻爾茲曼常數 J/K k_B 1.380649e-23 # 室溫 300K 或體溫 310K T_room 300 T_body 310 # Landauer 極限每比特最低能耗 J e_room k_B * T_room * math.log(2) e_body k_B * T_body * math.log(2) # 大腦功耗 power_brain 20 # 瓦 max_ops_room power_brain / e_room max_ops_body power_brain / e_body print(f室溫 300K 下每比特最小能耗: {e_room:.3e} J) print(f體溫 310K 下每比特最小能耗: {e_body:.3e} J) print(f20W 功率按 Landauer 極限每秒最多操作 ({T_room}K): {max_ops_room:.3e}) print(f20W 功率按 Landauer 極限每秒最多操作 ({T_body}K): {max_ops_body:.3e})這段代碼的輸出會告訴你大腦的理論比特操作上限在 (10^{21}) 量級。這里沒有編造任何論文數據就是直接用物理常數和功耗常識算出來的數量級。5.2 按神經元動作電位能耗估算現實中神經元遠遠達不到 Landauer 極限所以我們再做一個更保守的估算。單次動作電位耗能大約在 (10^{-16}) 到 (10^{-14}) J 之間我們取一個中間值。# 單次動作電位能耗單位 J spike_energy_min 1e-16 spike_energy_mid 1e-15 spike_energy_max 1e-14 power_brain 20 # 瓦 ops_min power_brain / spike_energy_max # 能耗高次數少 ops_mid power_brain / spike_energy_mid ops_max power_brain / spike_energy_min # 能耗低次數多 print(f若每次動作電位耗能 1e-14 J每秒最多: {ops_min:.3e} 次) print(f若每次動作電位耗能 1e-15 J每秒最多: {ops_mid:.3e} 次) print(f若每次動作電位耗能 1e-16 J每秒最多: {ops_max:.3e} 次)這個結果通常在 (10^{15}) 到 (10^{18}) 次每秒之間。也就是說真實神經元庫的效率比熱力學極限低了一百到十萬倍。這個差距解釋了為什么大腦能耗雖低但仍不能直接等效為一個“完美熱力學計算機”。5.3 與 GPU 能效對比現代 GPU 在深度學習推理時的能效大約在每瓦每秒 (10^{12}) 到 (10^{14}) 次浮點運算之間。注意浮點運算和“比特操作”不是一回事但我們可以做一個粗粒度感受。# 假設 GPU 功耗 300W算力 50 TFLOPS gpu_power 300 gpu_flops 50e12 # 50 TFLOPS 作為示例 gpu_eff gpu_flops / gpu_power print(f示例 GPU 能效: {gpu_eff:.2e} FLOPS/W) # 假設大腦每個動作電位對應一次非線性運算 brain_ops 20 / 1e-15 brain_eff brain_ops / 20 # 每瓦每秒操作數 print(f按 1e-15 J 每次操作估算每瓦每秒操作數: {brain_eff:.2e})雖然這里量綱不完全一致但至少能看出大腦每瓦能完成的“類事件處理”數量遠超傳統 GPU。這也是神經形態芯片想追趕的目標。6. 論文的結論與影響Merkle 論文并沒有給出一個“大腦等于多少 PFLOPs”的簡單結論。它的意義在于把“計算能力”和“物理極限”綁定起來形成了一套可推導的框架。從后續研究和學術討論來看以下三點是公認的啟發。第一能量并不是限制大腦計算能力的唯一因素。按熱力學極限20 瓦能支撐極高的理論算力。換句話說如果大腦真的是以 Landauer 極限運行它早就不是現在這個算力水平了。現實的大腦只是用了非常稀疏、低速率、大規模并行的方式工作。第二生物計算更可能在“信息編碼效率”和“連接結構”上勝出。神經元并不是每毫秒都在放電很多神經元處于稀疏激活狀態。這種事件驅動、稀疏計算的方式大幅降低了平均能耗同時保留了高動態范圍。這給深度學習“稀疏化”提供了一個物理層面的合理性解釋。第三論文對后來類腦計算和低功耗算力路線圖有前瞻意義。當我們需要在邊緣設備上部署模型時不可能無限制增加功耗。一條可行的路線就是模仿大腦的“低功耗、稀疏、異步”模式而不是單純堆晶體管。7. 常見理解誤區與排查方法關于“大腦算力能量極限”這個題目很多人會踩坑。整理成表格方便快速自查。問題現象常見誤解準確解釋排查與理解方式“大腦 20 瓦算力應該很低”把 Landauer 極限估算當成實際算力20W / kTln2 ≈ 1021 次每秒物理上限極高先區分“理論極限”和“實際表現”“熱力學極限說明大腦效率很高”以為大腦接近極限效率真實神經元能耗遠高于 Landauer 極限效率差距大對比動作電位能耗與 kTln2 數量級“大腦是臺超級計算機”完全用數字計算機模型套生物系統大腦更多是模擬、化學、異步、事件驅動系統讀神經形態計算文獻理解膜電位積分過程“算力能直接換算成智能水平”只看算力忽略算法和結構人腦參數巨大但運行速度低算法與連接結構同樣關鍵關注稀疏計算、注意力機制、圖網絡“降低功耗就是逼近 Landauer 極限”以為芯片可以無限逼近物理極限可逆計算在工程實現上極難噪聲與錯誤開銷巨大了解可逆邏輯和量子計算約束這些誤區之所以常見往往是因為把數量級估算混同為工程實測。我們要做的是明確邊界物理極限回答的是“絕對不可能超過多少”而不是“系統實際能達到多少”。8. 對當代 AI 與芯片設計的啟示回到 2025 年的技術語境這篇 36 年前的論文依然有很強參考價值。當前大模型訓練和推理的算力需求爆炸式增長功耗已經成為關鍵約束。英偉達新一代 GPU 性能提升的同時功耗也隨之升高。數據中心的散熱壓力、電費成本、碳排放都指向同一個問題我們需要在能耗約束下尋找新的計算范式。從大腦的“20 瓦奇跡”里現代體系結構研究者至少可以提取出三條可落地的設計思路。第一稀疏計算。大腦是典型的稀疏系統。不是所有神經元每時每刻都在放電而是只有一小部分被激活。對應到神經網絡推理中剪枝、稀疏矩陣運算、動態路由都能有效降低乘加次數從而降低動態功耗。現在很多大模型推理框架落地 Mamba、混合專家模型本質上就是在模擬“按需激活”的稀疏大腦結構。第二事件驅動計算。傳統 GPU 是同步時鐘驅動所有單元按節拍計算。大腦卻是異步的只有當輸入刺激達到閾值時才產生動作電位。這啟發了事件相機、脈沖神經網絡、神經形態芯片。這類硬件用事件驅動代替輪詢掃描能在視頻處理、實時傳感器數據處理中大幅降低功耗。第三存算一體與模擬計算。大腦的突觸權重和膜電位都是物理量記憶和計算并行發生不需要反復從外部存儲器搬運數據。存內計算芯片把權重存儲在閃存或新型存儲器件中直接在存儲陣列內完成乘累加運算避免了馮·諾依曼架構的“內存墻”和“功耗墻”。這類方案嚴格說不等于模擬大腦但方向是一致的讓物理過程本身參與計算減少無效搬移。從算法層面看能量極限提醒我們不能只看模型的參數量和 FLOPs還要看“達到某一準確率需要多少能量”。未來 AI 評估標準里很有可能會像芯片評測一樣增加“每瓦推理吞吐量”和“能量成本曲線”。這個指標在邊緣設備、機器人、自動駕駛領域已經非常現實。9. 延伸閱讀與進一步探索如果你想進一步深挖建議按如下順序閱讀先讀 Landauer 1961 年的論文Irreversibility and Heat Generation in the Computing Process理解信息擦除與能量耗散的關系。再看 Bennett、Fredkin、Toffoli 等人關于可逆計算的研究知道理想計算機為什么可以接近零能耗。然后回到 Merkle 1989 年的原文看作者如何從熱力學跳到大腦。接著讀神經科學中關于大腦能量代謝的綜述了解 20 瓦功率、860 億神經元、動作電位能耗等數據來源。最后接觸神經形態工程方向比如 TrueNorth、Loihi 芯片的論文看工程上如何借鑒大腦的低功耗策略。如果想從信源上找原文可以通過 Google Scholar 搜索標題Energy Limits to the Computational Power of the Human Brain或搜索機構知識庫存檔。作者 Ralph Merkle 在納米科技、分子制造方面也有公開課件可以交叉閱讀理解他對“物理系統邊界”一類問題的整體思路。10. 總結與下一步Ralph Merkle 1989 年的這篇論文最大的價值不是給出一個“大腦算力多少”的最終數字而是提供了一種用能量來約束計算能力的方法。這種思維方式今天依然適用任何計算設備不管用硅還是生物材料都必須遵守熱力學約束。 20 瓦大腦能夠支撐的物理操作上限極高但真實神經元運行效率遠低于理論極限。真正讓人腦強大的是稀疏激活、大規模并行、模擬化學計算和高度優化的連接結構。如果你要做點什么建議先從 5.2 節的 Python 腳本開始改一改功率和單次動作電位能耗參數感受數量級差距帶來的沖擊。然后挑一個現代 GPU 的功耗與 FLOPs對比一下每瓦能效看看離人腦的“物理冗余”到底差多遠。下一個值得關注的方向是在單位功耗受限的系統中我們應該優先優化算法稀疏性、數據搬移量還是追求逼近物理極限的可逆計算這個問題如果能在工程實踐中想明白未來十年低功耗 AI 的路徑會清晰很多。建議收藏這篇當作一個物理信息論方向的起點。 大腦算力上限如何估算？從Landauer原理到20瓦功耗的物理極限
這次我們不看新框架而是回到一個很“硬”的問題如果把人的大腦看作一臺計算機它的算力上限到底是多少很多人第一時間會想到神經元數量、突觸連接規模但 Ralph Merkle 在 1989 年給出了一條更物理的思考路徑——用能量消耗來限制大腦的計算能力。這篇論文的標題就叫Energy Limits to the Computational Power of the Human Brain作者正是提出 Merkle 樹、參與公鑰密碼學奠基的 Ralph Merkle。這可能是你第一次意識到計算不僅受晶體管數量和算法約束還受熱力學約束。一臺計算機要完成信息處理就必須付出最小能量代價。大腦只有 20 瓦左右的功耗卻要維持千億級神經元的協同工作。那么這 20 瓦到底能換來多少次基本運算遠高于現在的超算還是低到令人失望本文會拆解這篇論文的核心思想然后用 Python 實際估算“大腦算力上限”最后討論它對今天 AI、芯片設計、神經形態計算的啟示。如果你關心計算極限、能效比、物理信息論或者好奇“大腦和 GPU 到底誰更高效”這篇文章可以直接收藏。1. 核心能力速覽這篇論文在講什么先給一個快速信息表讓你在繼續往下讀之前就能判斷這篇文章是否值得看。項目內容論文標題Energy Limits to the Computational Power of the Human Brain作者Ralph Merkle發表時間1989研究問題人腦作為物理系統其計算能力受能量限制的上限是多少理論基礎熱力學、信息論、Landauer 原理關鍵對象大腦功耗、神經元計算、每比特操作最小能量核心思路用功耗除以每次基本操作的最小能量估算每秒最大操作數典型數值室溫下 kT ln2 ≈ 2.87×10?21 J大腦功耗約 20 W這是通用物理常數和常識估算對今天的啟示能效比、物理極限、神經形態計算、AI 算力評估適合讀者計算理論、計算機體系結構、AI、神經科學、物理信息學方向的開發者與研究者可以明確說這并不是一篇教你部署什么工具的教程而是一篇“計算哲學 物理信息論”的經典文獻。但它對現代計算技術的啟發非常直接所有計算設備包括 GPU、NPU、類腦芯片物理上都要為每一步信息操作消耗能量。理解這個極限再回看綠色計算、低功耗 AI、邊緣推理感受會完全不同。2. 適用場景與使用邊界這篇論文適合誰正在做低功耗 AI 推理、端側模型部署的人能從物理層面理解為什么不能無限堆算力。關注類腦計算、神經形態芯片的人能看到“大腦不是數字計算機”這一觀點的最早系統化表達之一。做算法復雜度和性能優化的人能學會用一種“能耗預算”視角評估算法是否劃算。對科學史、計算理論感興趣的讀者能看到 1989 年的科學家如何用熱力學來框定生物計算的上限。它不適合誰想找現成 Python 庫或部署包的人這篇論文不提供代碼。想獲得大腦具象計算精度報告的人論文不會告訴你大腦是否“等效于多少 PFLOPs”。喜歡明確結論多于思想框架的人可能會覺得論文更像一個思維實驗。使用邊界方面要提醒三件事論文中的計算是高度理想化的模型不能直接等同于真實神經元的信息處理效率。大腦是模擬、化學、多模態并行的系統用數字計算機的“比特操作”框架去套會丟失大量生物學細節。任何關于“大腦算力”的估算都應該被理解為一種物理上界而不是實際算力。實際算力要低很多。3. 熱力學極限為什么能限制計算要理解這篇論文先要理解 Landauer 原理在常溫常壓下計算機擦除一位信息至少需要消耗 (k_B T \ln 2) 的能量。這里的 (k_B) 是玻爾茲曼常數(T) 是絕對溫度。這個原理說明信息不是抽象的它一定要有物理載體而物理載體就不能擺脫熱力學約束。Landauer 原理最重要的推論是如果一臺計算機只做可逆運算理論上可以無限接近零能耗但只要涉及不可逆操作比如丟棄信息、重置寄存器、分支跳轉產生的狀態清理就必須消耗最少能量。現代 CPU 和 GPU 之所以功耗巨大正是因為它們大量執行不可逆邏輯運算而且每個晶體管開關都在不可逆地耗散熱量。在上世紀 80 年代計算機界剛開始意識到能耗墻問題。Merkle 的貢獻在于把這個原理平移到了生物系統。神經元傳遞信號、突觸釋放神經遞質、離子通道打開關閉都是物理過程。如果大腦進行計算那么它的總功耗就決定了它在給定時間內最多能完成多少次“類信息操作”。用公式表示就是[ \text{每秒最大操作數} \le \frac{\text{功耗}}{\text{每次操作最小能量}} ]這個式子看起來簡單卻非常有力。它把神經科學和熱力學連在了一起讓我們可以不用搞清所有神經元細節先給出一個物理上絕對無法突破的區域。4. 把人腦看作一臺熱力學計算機大腦是一個功耗極低但規模極大的系統。人體休息時大腦功耗大約為 20 瓦只占全身能耗的 20% 左右。但這個 20 瓦里塞進了約 860 億個神經元每個神經元平均約一千到一萬個突觸連接。如果完全按照數字電路模型理解這是一個龐大到難以想象的狀態空間。從熱力學角度看問題我們要問的不是“大腦有多少參數”而是“20 瓦能在每秒內支撐多少次基礎狀態改變”。按室溫 300K 下的 Landauer 極限每個比特操作的最小能量約是 (2.87 \times 10^{-21} J)。用 20 瓦直接去除可以得到一個數量級為 (10^{21}) 次每秒的比特操作上限。這個數字遠遠超過地球上任何一臺超級計算機的每秒浮點運算量。但這里有個關鍵點這個 (10^{21}) 是理論上限不是大腦實際表現。真實神經元單次動作電位消耗的能量比 Landauer 極限高出多個數量級。一個神經元發放一次動作電位涉及的離子泵消耗大約在 (10^{-15}) J 級別。如果按這個實際能耗反推860 億個神經元平均每秒總共能完成的動作電位次數就在 (10^{14}) 到 (10^{16}) 次量級。這樣看大腦的“實際計算速度”遠低于物理極限中間有巨大的優化空間。Merkle 論文的價值就在于指出這個“巨大的差距”。它說明大腦并沒有被能量極限逼到墻角相反它是在耗能冗余的情況下運行的。真正限制大腦能力的可能是連接結構、分子擴散噪聲、信息編碼方式和發育機制而不是簡單的功耗上限。5. 用 Python 估算大腦的理論算力上限這一節我們直接用 Python 做數量級估算。首先從熱力學極限開始然后逐步加進更實際的神經元能耗假設最后再和現代 GPU 的能效做對比。5.1 按 Landauer 極限估算import math # 玻爾茲曼常數 J/K k_B 1.380649e-23 # 室溫 300K 或體溫 310K T_room 300 T_body 310 # Landauer 極限每比特最低能耗 J e_room k_B * T_room * math.log(2) e_body k_B * T_body * math.log(2) # 大腦功耗 power_brain 20 # 瓦 max_ops_room power_brain / e_room max_ops_body power_brain / e_body print(f室溫 300K 下每比特最小能耗: {e_room:.3e} J) print(f體溫 310K 下每比特最小能耗: {e_body:.3e} J) print(f20W 功率按 Landauer 極限每秒最多操作 ({T_room}K): {max_ops_room:.3e}) print(f20W 功率按 Landauer 極限每秒最多操作 ({T_body}K): {max_ops_body:.3e})這段代碼的輸出會告訴你大腦的理論比特操作上限在 (10^{21}) 量級。這里沒有編造任何論文數據就是直接用物理常數和功耗常識算出來的數量級。5.2 按神經元動作電位能耗估算現實中神經元遠遠達不到 Landauer 極限所以我們再做一個更保守的估算。單次動作電位耗能大約在 (10^{-16}) 到 (10^{-14}) J 之間我們取一個中間值。# 單次動作電位能耗單位 J spike_energy_min 1e-16 spike_energy_mid 1e-15 spike_energy_max 1e-14 power_brain 20 # 瓦 ops_min power_brain / spike_energy_max # 能耗高次數少 ops_mid power_brain / spike_energy_mid ops_max power_brain / spike_energy_min # 能耗低次數多 print(f若每次動作電位耗能 1e-14 J每秒最多: {ops_min:.3e} 次) print(f若每次動作電位耗能 1e-15 J每秒最多: {ops_mid:.3e} 次) print(f若每次動作電位耗能 1e-16 J每秒最多: {ops_max:.3e} 次)這個結果通常在 (10^{15}) 到 (10^{18}) 次每秒之間。也就是說真實神經元庫的效率比熱力學極限低了一百到十萬倍。這個差距解釋了為什么大腦能耗雖低但仍不能直接等效為一個“完美熱力學計算機”。5.3 與 GPU 能效對比現代 GPU 在深度學習推理時的能效大約在每瓦每秒 (10^{12}) 到 (10^{14}) 次浮點運算之間。注意浮點運算和“比特操作”不是一回事但我們可以做一個粗粒度感受。# 假設 GPU 功耗 300W算力 50 TFLOPS gpu_power 300 gpu_flops 50e12 # 50 TFLOPS 作為示例 gpu_eff gpu_flops / gpu_power print(f示例 GPU 能效: {gpu_eff:.2e} FLOPS/W) # 假設大腦每個動作電位對應一次非線性運算 brain_ops 20 / 1e-15 brain_eff brain_ops / 20 # 每瓦每秒操作數 print(f按 1e-15 J 每次操作估算每瓦每秒操作數: {brain_eff:.2e})雖然這里量綱不完全一致但至少能看出大腦每瓦能完成的“類事件處理”數量遠超傳統 GPU。這也是神經形態芯片想追趕的目標。6. 論文的結論與影響Merkle 論文并沒有給出一個“大腦等于多少 PFLOPs”的簡單結論。它的意義在于把“計算能力”和“物理極限”綁定起來形成了一套可推導的框架。從后續研究和學術討論來看以下三點是公認的啟發。第一能量并不是限制大腦計算能力的唯一因素。按熱力學極限20 瓦能支撐極高的理論算力。換句話說如果大腦真的是以 Landauer 極限運行它早就不是現在這個算力水平了。現實的大腦只是用了非常稀疏、低速率、大規模并行的方式工作。第二生物計算更可能在“信息編碼效率”和“連接結構”上勝出。神經元并不是每毫秒都在放電很多神經元處于稀疏激活狀態。這種事件驅動、稀疏計算的方式大幅降低了平均能耗同時保留了高動態范圍。這給深度學習“稀疏化”提供了一個物理層面的合理性解釋。第三論文對后來類腦計算和低功耗算力路線圖有前瞻意義。當我們需要在邊緣設備上部署模型時不可能無限制增加功耗。一條可行的路線就是模仿大腦的“低功耗、稀疏、異步”模式而不是單純堆晶體管。7. 常見理解誤區與排查方法關于“大腦算力能量極限”這個題目很多人會踩坑。整理成表格方便快速自查。問題現象常見誤解準確解釋排查與理解方式“大腦 20 瓦算力應該很低”把 Landauer 極限估算當成實際算力20W / kTln2 ≈ 1021 次每秒物理上限極高先區分“理論極限”和“實際表現”“熱力學極限說明大腦效率很高”以為大腦接近極限效率真實神經元能耗遠高于 Landauer 極限效率差距大對比動作電位能耗與 kTln2 數量級“大腦是臺超級計算機”完全用數字計算機模型套生物系統大腦更多是模擬、化學、異步、事件驅動系統讀神經形態計算文獻理解膜電位積分過程“算力能直接換算成智能水平”只看算力忽略算法和結構人腦參數巨大但運行速度低算法與連接結構同樣關鍵關注稀疏計算、注意力機制、圖網絡“降低功耗就是逼近 Landauer 極限”以為芯片可以無限逼近物理極限可逆計算在工程實現上極難噪聲與錯誤開銷巨大了解可逆邏輯和量子計算約束這些誤區之所以常見往往是因為把數量級估算混同為工程實測。我們要做的是明確邊界物理極限回答的是“絕對不可能超過多少”而不是“系統實際能達到多少”。8. 對當代 AI 與芯片設計的啟示回到 2025 年的技術語境這篇 36 年前的論文依然有很強參考價值。當前大模型訓練和推理的算力需求爆炸式增長功耗已經成為關鍵約束。英偉達新一代 GPU 性能提升的同時功耗也隨之升高。數據中心的散熱壓力、電費成本、碳排放都指向同一個問題我們需要在能耗約束下尋找新的計算范式。從大腦的“20 瓦奇跡”里現代體系結構研究者至少可以提取出三條可落地的設計思路。第一稀疏計算。大腦是典型的稀疏系統。不是所有神經元每時每刻都在放電而是只有一小部分被激活。對應到神經網絡推理中剪枝、稀疏矩陣運算、動態路由都能有效降低乘加次數從而降低動態功耗。現在很多大模型推理框架落地 Mamba、混合專家模型本質上就是在模擬“按需激活”的稀疏大腦結構。第二事件驅動計算。傳統 GPU 是同步時鐘驅動所有單元按節拍計算。大腦卻是異步的只有當輸入刺激達到閾值時才產生動作電位。這啟發了事件相機、脈沖神經網絡、神經形態芯片。這類硬件用事件驅動代替輪詢掃描能在視頻處理、實時傳感器數據處理中大幅降低功耗。第三存算一體與模擬計算。大腦的突觸權重和膜電位都是物理量記憶和計算并行發生不需要反復從外部存儲器搬運數據。存內計算芯片把權重存儲在閃存或新型存儲器件中直接在存儲陣列內完成乘累加運算避免了馮·諾依曼架構的“內存墻”和“功耗墻”。這類方案嚴格說不等于模擬大腦但方向是一致的讓物理過程本身參與計算減少無效搬移。從算法層面看能量極限提醒我們不能只看模型的參數量和 FLOPs還要看“達到某一準確率需要多少能量”。未來 AI 評估標準里很有可能會像芯片評測一樣增加“每瓦推理吞吐量”和“能量成本曲線”。這個指標在邊緣設備、機器人、自動駕駛領域已經非常現實。9. 延伸閱讀與進一步探索如果你想進一步深挖建議按如下順序閱讀先讀 Landauer 1961 年的論文Irreversibility and Heat Generation in the Computing Process理解信息擦除與能量耗散的關系。再看 Bennett、Fredkin、Toffoli 等人關于可逆計算的研究知道理想計算機為什么可以接近零能耗。然后回到 Merkle 1989 年的原文看作者如何從熱力學跳到大腦。接著讀神經科學中關于大腦能量代謝的綜述了解 20 瓦功率、860 億神經元、動作電位能耗等數據來源。最后接觸神經形態工程方向比如 TrueNorth、Loihi 芯片的論文看工程上如何借鑒大腦的低功耗策略。如果想從信源上找原文可以通過 Google Scholar 搜索標題Energy Limits to the Computational Power of the Human Brain或搜索機構知識庫存檔。作者 Ralph Merkle 在納米科技、分子制造方面也有公開課件可以交叉閱讀理解他對“物理系統邊界”一類問題的整體思路。10. 總結與下一步Ralph Merkle 1989 年的這篇論文最大的價值不是給出一個“大腦算力多少”的最終數字而是提供了一種用能量來約束計算能力的方法。這種思維方式今天依然適用任何計算設備不管用硅還是生物材料都必須遵守熱力學約束。 20 瓦大腦能夠支撐的物理操作上限極高但真實神經元運行效率遠低于理論極限。真正讓人腦強大的是稀疏激活、大規模并行、模擬化學計算和高度優化的連接結構。如果你要做點什么建議先從 5.2 節的 Python 腳本開始改一改功率和單次動作電位能耗參數感受數量級差距帶來的沖擊。然后挑一個現代 GPU 的功耗與 FLOPs對比一下每瓦能效看看離人腦的“物理冗余”到底差多遠。下一個值得關注的方向是在單位功耗受限的系統中我們應該優先優化算法稀疏性、數據搬移量還是追求逼近物理極限的可逆計算這個問題如果能在工程實踐中想明白未來十年低功耗 AI 的路徑會清晰很多。建議收藏這篇當作一個物理信息論方向的起點。