2026年9月21日，加州大学洛杉矶分校（UCLA）韦恩·易斯（Wayne Eise）报道
随着人工智能模型的规模不断扩大，其对能源、水资源及计算基础设施的需求也急剧攀升。与此同时，卫星、机器人及分布式传感器等新兴应用场景，往往需要在数据产生的源头进行实时处理，且受限于电力供应和网络连接。
针对这一挑战，加州大学洛杉矶分校的研究团队提出了一种互补的计算范式——“物理 AI”。在这一概念中，软件与硬件不再分离，神经网络并非运行于通用硬件之上，而是直接嵌入在自组织材料的物理结构中。这意味着计算过程发生在纳米尺度上，通过物理连接的建立与重组来实现信息处理。
近日，《自然评论物理学》（Nature Reviews Physics）发表了一篇由国际科学家团队撰写的前瞻性综述文章，详细阐述了这一领域的最新进展。联合作者包括加州大学洛杉矶分校研究科学家、加州纳米系统研究所（CNSI）副主任亚当·斯蒂格（Adam Stieg），以及 CNSI 成员、加州大学洛杉矶分校化学学院杰出教授詹姆斯·吉姆泽夫斯基（James Gimzewski）。此外，澳大利亚悉尼大学物理学家兹登卡·昆西奇（Zdenka Kuncic）也是该技术的核心开发者之一。
边缘计算中的物理 AI 潜力
这种自组织网络的设计灵感部分源自人类大脑皮层，即负责感知、认知和推理的区域。与传统数字芯片不同，这类系统通过利用网络的物理行为而非软件算法来执行机器学习基准测试，如语音和图像识别，从而在处理复杂数据时显著降低能耗。
在边缘计算场景中，该技术有望实现真正的“物理 AI”，即在传感器采集数据的现场直接完成处理。当前，传感器生成的海量数据中仅有极少部分具有实际价值。传统流程需先将数据数字化，再通过算法提取特征供 AI 分析，这在能源、算力和带宽受限的边缘环境中成本高昂。例如，卫星收集的数据量远超其向地球传输的能力，必须在发送前进行压缩或筛选。
综述作者设想，未来的自组织物理网络将成为计算过程本身的一部分。这些网络不再是被动运行软件的硬件，而是能够根据传入信号动态调整结构，通过学习和物理计算来处理信息。这种机制使得 AI 能够在资源有限的环境中连续、本地化地运行并适应变化。
“大多数 AI 系统将硬件视为运行软件的被动平台，”斯蒂格表示，“但当硬件本身具备适应性，材料能根据信息重新组织并成为学习过程的一部分时，我们将迎来一种全新的 AI 形态：实体化、节能且具备本地适应能力的智能。”
从生物启发到工程实现
受大脑启发的计算理念可追溯至 20 世纪 80 年代，但自组织网络真正将这一比喻转化为物理现实。目前主要有两种技术路径：一是 UCLA 团队于 2011 年首次推出的纳米线网络；二是由新西兰坎特伯雷大学物理学家西蒙·布朗（Simon Brown）等人于 2013 年开发的纳米粒子网络。
斯蒂格强调：“我们关注的重点不在于系统的构成材料，而在于其功能表现。关键在于它能否像生物系统那样响应、适应和处理信息。如果答案是肯定的，那么多种材料均可用于构建此类系统。”
研究人员致力于开发具备类脑能力的技术，以低功耗高效处理不断变化的信息流。在基础层面上，纳米线或纳米颗粒充当神经元角色，而它们之间动态变化的电连接则模拟突触功能。电信号在这些系统中传递时，会促使新连接形成：频繁刺激建立持久连接（类似记忆），缺乏刺激则导致连接减弱（类似遗忘）。
尽管借鉴了生物学原理，研究者明确指出这种类比存在局限。“最初的灵感来自大脑，但我们从未试图复制一个完整的大脑，”斯蒂格解释道，“我们不认为大脑是一台计算机，也不认为可以完全重现生物系统的复杂性。我们的目标是理解那些使生物系统高效的特性，并将其融入工程系统中。”
这篇综述指出，这种新型计算平台需要物理学、材料科学、化学、神经科学和计算机科学等多学科的协同突破。“要充分利用这种方法，跨学科的合作至关重要，”斯蒂格说，“每个领域都能带来独特的专业知识。”
相关文献：
Francesco Caravelli 等人，《自组织的记忆网络作为物理学习系统》，《自然评论物理学》(2026)。DOI: 10.1038/s42254-026-00978-x
