这次我们不看新框架而是回到一个很“硬”的问题如果把人的大脑看作一台计算机它的算力上限到底是多少很多人第一时间会想到神经元数量、突触连接规模但 Ralph Merkle 在 1989 年给出了一条更物理的思考路径——用能量消耗来限制大脑的计算能力。这篇论文的标题就叫Energy Limits to the Computational Power of the Human Brain作者正是提出 Merkle 树、参与公钥密码学奠基的 Ralph Merkle。这可能是你第一次意识到计算不仅受晶体管数量和算法约束还受热力学约束。一台计算机要完成信息处理就必须付出最小能量代价。大脑只有 20 瓦左右的功耗却要维持千亿级神经元的协同工作。那么这 20 瓦到底能换来多少次基本运算远高于现在的超算还是低到令人失望本文会拆解这篇论文的核心思想然后用 Python 实际估算“大脑算力上限”最后讨论它对今天 AI、芯片设计、神经形态计算的启示。如果你关心计算极限、能效比、物理信息论或者好奇“大脑和 GPU 到底谁更高效”这篇文章可以直接收藏。1. 核心能力速览这篇论文在讲什么先给一个快速信息表让你在继续往下读之前就能判断这篇文章是否值得看。项目内容论文标题Energy Limits to the Computational Power of the Human Brain作者Ralph Merkle发表时间1989研究问题人脑作为物理系统其计算能力受能量限制的上限是多少理论基础热力学、信息论、Landauer 原理关键对象大脑功耗、神经元计算、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数典型数值室温下 kT ln2 ≈ 2.87×10⁻²¹ J大脑功耗约 20 W这是通用物理常数和常识估算对今天的启示能效比、物理极限、神经形态计算、AI 算力评估适合读者计算理论、计算机体系结构、AI、神经科学、物理信息学方向的开发者与研究者可以明确说这并不是一篇教你部署什么工具的教程而是一篇“计算哲学 物理信息论”的经典文献。但它对现代计算技术的启发非常直接所有计算设备包括 GPU、NPU、类脑芯片物理上都要为每一步信息操作消耗能量。理解这个极限再回看绿色计算、低功耗 AI、边缘推理感受会完全不同。2. 适用场景与使用边界这篇论文适合谁正在做低功耗 AI 推理、端侧模型部署的人能从物理层面理解为什么不能无限堆算力。关注类脑计算、神经形态芯片的人能看到“大脑不是数字计算机”这一观点的最早系统化表达之一。做算法复杂度和性能优化的人能学会用一种“能耗预算”视角评估算法是否划算。对科学史、计算理论感兴趣的读者能看到 1989 年的科学家如何用热力学来框定生物计算的上限。它不适合谁想找现成 Python 库或部署包的人这篇论文不提供代码。想获得大脑具象计算精度报告的人论文不会告诉你大脑是否“等效于多少 PFLOPs”。喜欢明确结论多于思想框架的人可能会觉得论文更像一个思维实验。使用边界方面要提醒三件事论文中的计算是高度理想化的模型不能直接等同于真实神经元的信息处理效率。大脑是模拟、化学、多模态并行的系统用数字计算机的“比特操作”框架去套会丢失大量生物学细节。任何关于“大脑算力”的估算都应该被理解为一种物理上界而不是实际算力。实际算力要低很多。3. 热力学极限为什么能限制计算要理解这篇论文先要理解 Landauer 原理在常温常压下计算机擦除一位信息至少需要消耗 (k_B T \ln 2) 的能量。这里的 (k_B) 是玻尔兹曼常数(T) 是绝对温度。这个原理说明信息不是抽象的它一定要有物理载体而物理载体就不能摆脱热力学约束。Landauer 原理最重要的推论是如果一台计算机只做可逆运算理论上可以无限接近零能耗但只要涉及不可逆操作比如丢弃信息、重置寄存器、分支跳转产生的状态清理就必须消耗最少能量。现代 CPU 和 GPU 之所以功耗巨大正是因为它们大量执行不可逆逻辑运算而且每个晶体管开关都在不可逆地耗散热量。在上世纪 80 年代计算机界刚开始意识到能耗墙问题。Merkle 的贡献在于把这个原理平移到了生物系统。神经元传递信号、突触释放神经递质、离子通道打开关闭都是物理过程。如果大脑进行计算那么它的总功耗就决定了它在给定时间内最多能完成多少次“类信息操作”。用公式表示就是[ \text{每秒最大操作数} \le \frac{\text{功耗}}{\text{每次操作最小能量}} ]这个式子看起来简单却非常有力。它把神经科学和热力学连在了一起让我们可以不用搞清所有神经元细节先给出一个物理上绝对无法突破的区域。4. 把人脑看作一台热力学计算机大脑是一个功耗极低但规模极大的系统。人体休息时大脑功耗大约为 20 瓦只占全身能耗的 20% 左右。但这个 20 瓦里塞进了约 860 亿个神经元每个神经元平均约一千到一万个突触连接。如果完全按照数字电路模型理解这是一个庞大到难以想象的状态空间。从热力学角度看问题我们要问的不是“大脑有多少参数”而是“20 瓦能在每秒内支撑多少次基础状态改变”。按室温 300K 下的 Landauer 极限每个比特操作的最小能量约是 (2.87 \times 10^{-21} J)。用 20 瓦直接去除可以得到一个数量级为 (10^{21}) 次每秒的比特操作上限。这个数字远远超过地球上任何一台超级计算机的每秒浮点运算量。但这里有个关键点这个 (10^{21}) 是理论上限不是大脑实际表现。真实神经元单次动作电位消耗的能量比 Landauer 极限高出多个数量级。一个神经元发放一次动作电位涉及的离子泵消耗大约在 (10^{-15}) J 级别。如果按这个实际能耗反推860 亿个神经元平均每秒总共能完成的动作电位次数就在 (10^{14}) 到 (10^{16}) 次量级。这样看大脑的“实际计算速度”远低于物理极限中间有巨大的优化空间。Merkle 论文的价值就在于指出这个“巨大的差距”。它说明大脑并没有被能量极限逼到墙角相反它是在耗能冗余的情况下运行的。真正限制大脑能力的可能是连接结构、分子扩散噪声、信息编码方式和发育机制而不是简单的功耗上限。5. 用 Python 估算大脑的理论算力上限这一节我们直接用 Python 做数量级估算。首先从热力学极限开始然后逐步加进更实际的神经元能耗假设最后再和现代 GPU 的能效做对比。5.1 按 Landauer 极限估算import math # 玻尔兹曼常数 J/K k_B 1.380649e-23 # 室温 300K 或体温 310K T_room 300 T_body 310 # Landauer 极限每比特最低能耗 J e_room k_B * T_room * math.log(2) e_body k_B * T_body * math.log(2) # 大脑功耗 power_brain 20 # 瓦 max_ops_room power_brain / e_room max_ops_body power_brain / e_body print(f室温 300K 下每比特最小能耗: {e_room:.3e} J) print(f体温 310K 下每比特最小能耗: {e_body:.3e} J) print(f20W 功率按 Landauer 极限每秒最多操作 ({T_room}K): {max_ops_room:.3e}) print(f20W 功率按 Landauer 极限每秒最多操作 ({T_body}K): {max_ops_body:.3e})这段代码的输出会告诉你大脑的理论比特操作上限在 (10^{21}) 量级。这里没有编造任何论文数据就是直接用物理常数和功耗常识算出来的数量级。5.2 按神经元动作电位能耗估算现实中神经元远远达不到 Landauer 极限所以我们再做一个更保守的估算。单次动作电位耗能大约在 (10^{-16}) 到 (10^{-14}) J 之间我们取一个中间值。# 单次动作电位能耗单位 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 # 能耗高次数少 ops_mid power_brain / spike_energy_mid ops_max power_brain / spike_energy_min # 能耗低次数多 print(f若每次动作电位耗能 1e-14 J每秒最多: {ops_min:.3e} 次) print(f若每次动作电位耗能 1e-15 J每秒最多: {ops_mid:.3e} 次) print(f若每次动作电位耗能 1e-16 J每秒最多: {ops_max:.3e} 次)这个结果通常在 (10^{15}) 到 (10^{18}) 次每秒之间。也就是说真实神经元库的效率比热力学极限低了一百到十万倍。这个差距解释了为什么大脑能耗虽低但仍不能直接等效为一个“完美热力学计算机”。5.3 与 GPU 能效对比现代 GPU 在深度学习推理时的能效大约在每瓦每秒 (10^{12}) 到 (10^{14}) 次浮点运算之间。注意浮点运算和“比特操作”不是一回事但我们可以做一个粗粒度感受。# 假设 GPU 功耗 300W算力 50 TFLOPS gpu_power 300 gpu_flops 50e12 # 50 TFLOPS 作为示例 gpu_eff gpu_flops / gpu_power print(f示例 GPU 能效: {gpu_eff:.2e} FLOPS/W) # 假设大脑每个动作电位对应一次非线性运算 brain_ops 20 / 1e-15 brain_eff brain_ops / 20 # 每瓦每秒操作数 print(f按 1e-15 J 每次操作估算每瓦每秒操作数: {brain_eff:.2e})虽然这里量纲不完全一致但至少能看出大脑每瓦能完成的“类事件处理”数量远超传统 GPU。这也是神经形态芯片想追赶的目标。6. 论文的结论与影响Merkle 论文并没有给出一个“大脑等于多少 PFLOPs”的简单结论。它的意义在于把“计算能力”和“物理极限”绑定起来形成了一套可推导的框架。从后续研究和学术讨论来看以下三点是公认的启发。第一能量并不是限制大脑计算能力的唯一因素。按热力学极限20 瓦能支撑极高的理论算力。换句话说如果大脑真的是以 Landauer 极限运行它早就不是现在这个算力水平了。现实的大脑只是用了非常稀疏、低速率、大规模并行的方式工作。第二生物计算更可能在“信息编码效率”和“连接结构”上胜出。神经元并不是每毫秒都在放电很多神经元处于稀疏激活状态。这种事件驱动、稀疏计算的方式大幅降低了平均能耗同时保留了高动态范围。这给深度学习“稀疏化”提供了一个物理层面的合理性解释。第三论文对后来类脑计算和低功耗算力路线图有前瞻意义。当我们需要在边缘设备上部署模型时不可能无限制增加功耗。一条可行的路线就是模仿大脑的“低功耗、稀疏、异步”模式而不是单纯堆晶体管。7. 常见理解误区与排查方法关于“大脑算力能量极限”这个题目很多人会踩坑。整理成表格方便快速自查。问题现象常见误解准确解释排查与理解方式“大脑 20 瓦算力应该很低”把 Landauer 极限估算当成实际算力20W / kTln2 ≈ 10²¹ 次每秒物理上限极高先区分“理论极限”和“实际表现”“热力学极限说明大脑效率很高”以为大脑接近极限效率真实神经元能耗远高于 Landauer 极限效率差距大对比动作电位能耗与 kTln2 数量级“大脑是台超级计算机”完全用数字计算机模型套生物系统大脑更多是模拟、化学、异步、事件驱动系统读神经形态计算文献理解膜电位积分过程“算力能直接换算成智能水平”只看算力忽略算法和结构人脑参数巨大但运行速度低算法与连接结构同样关键关注稀疏计算、注意力机制、图网络“降低功耗就是逼近 Landauer 极限”以为芯片可以无限逼近物理极限可逆计算在工程实现上极难噪声与错误开销巨大了解可逆逻辑和量子计算约束这些误区之所以常见往往是因为把数量级估算混同为工程实测。我们要做的是明确边界物理极限回答的是“绝对不可能超过多少”而不是“系统实际能达到多少”。8. 对当代 AI 与芯片设计的启示回到 2025 年的技术语境这篇 36 年前的论文依然有很强参考价值。当前大模型训练和推理的算力需求爆炸式增长功耗已经成为关键约束。英伟达新一代 GPU 性能提升的同时功耗也随之升高。数据中心的散热压力、电费成本、碳排放都指向同一个问题我们需要在能耗约束下寻找新的计算范式。从大脑的“20 瓦奇迹”里现代体系结构研究者至少可以提取出三条可落地的设计思路。第一稀疏计算。大脑是典型的稀疏系统。不是所有神经元每时每刻都在放电而是只有一小部分被激活。对应到神经网络推理中剪枝、稀疏矩阵运算、动态路由都能有效降低乘加次数从而降低动态功耗。现在很多大模型推理框架落地 Mamba、混合专家模型本质上就是在模拟“按需激活”的稀疏大脑结构。第二事件驱动计算。传统 GPU 是同步时钟驱动所有单元按节拍计算。大脑却是异步的只有当输入刺激达到阈值时才产生动作电位。这启发了事件相机、脉冲神经网络、神经形态芯片。这类硬件用事件驱动代替轮询扫描能在视频处理、实时传感器数据处理中大幅降低功耗。第三存算一体与模拟计算。大脑的突触权重和膜电位都是物理量记忆和计算并行发生不需要反复从外部存储器搬运数据。存内计算芯片把权重存储在闪存或新型存储器件中直接在存储阵列内完成乘累加运算避免了冯·诺依曼架构的“内存墙”和“功耗墙”。这类方案严格说不等于模拟大脑但方向是一致的让物理过程本身参与计算减少无效搬移。从算法层面看能量极限提醒我们不能只看模型的参数量和 FLOPs还要看“达到某一准确率需要多少能量”。未来 AI 评估标准里很有可能会像芯片评测一样增加“每瓦推理吞吐量”和“能量成本曲线”。这个指标在边缘设备、机器人、自动驾驶领域已经非常现实。9. 延伸阅读与进一步探索如果你想进一步深挖建议按如下顺序阅读先读 Landauer 1961 年的论文Irreversibility and Heat Generation in the Computing Process理解信息擦除与能量耗散的关系。再看 Bennett、Fredkin、Toffoli 等人关于可逆计算的研究知道理想计算机为什么可以接近零能耗。然后回到 Merkle 1989 年的原文看作者如何从热力学跳到大脑。接着读神经科学中关于大脑能量代谢的综述了解 20 瓦功率、860 亿神经元、动作电位能耗等数据来源。最后接触神经形态工程方向比如 TrueNorth、Loihi 芯片的论文看工程上如何借鉴大脑的低功耗策略。如果想从信源上找原文可以通过 Google Scholar 搜索标题Energy Limits to the Computational Power of the Human Brain或搜索机构知识库存档。作者 Ralph Merkle 在纳米科技、分子制造方面也有公开课件可以交叉阅读理解他对“物理系统边界”一类问题的整体思路。10. 总结与下一步Ralph Merkle 1989 年的这篇论文最大的价值不是给出一个“大脑算力多少”的最终数字而是提供了一种用能量来约束计算能力的方法。这种思维方式今天依然适用任何计算设备不管用硅还是生物材料都必须遵守热力学约束。 20 瓦大脑能够支撑的物理操作上限极高但真实神经元运行效率远低于理论极限。真正让人脑强大的是稀疏激活、大规模并行、模拟化学计算和高度优化的连接结构。如果你要做点什么建议先从 5.2 节的 Python 脚本开始改一改功率和单次动作电位能耗参数感受数量级差距带来的冲击。然后挑一个现代 GPU 的功耗与 FLOPs对比一下每瓦能效看看离人脑的“物理冗余”到底差多远。下一个值得关注的方向是在单位功耗受限的系统中我们应该优先优化算法稀疏性、数据搬移量还是追求逼近物理极限的可逆计算这个问题如果能在工程实践中想明白未来十年低功耗 AI 的路径会清晰很多。建议收藏这篇当作一个物理信息论方向的起点。