麻省理工学院的实验室里，卡奥·席尔瓦看着一块硅芯片完成了一件让大多数工程师感到不安的事：热量流过它，芯片完成了计算。这位物理专业本科生和他的合作者建造了一个系统，将数据编码为温度，并执行矩阵向量乘法——这是支撑大型语言模型的核心数学运算——准确率超过99%。没有晶体管切换，没有二进制逻辑门启动，只有热量在思考。
这项由麻省理工学院士兵纳米技术研究所的朱塞佩·罗曼诺领导的研究，代表了计算系统设计的基本反转。席尔瓦说：「大多数时候，当你在电子设备中执行计算时，热量是副产品。你经常想尽可能多地散热。但在这里，我们采取了相反的方法，把热量本身作为一种信息形式。」
这一机制的核心是：输入数据映射到硅结构网络上的温度，每个几何结构都由团队开发的基于物理学的算法优化。当任何电子设备的废热自然流过这些微结构时，热分布和输出端收集的功率完成计算。系统无需电力即可执行矩阵向量乘法，仅依赖热传递的物理行为。
这一突破的意义远超能效提升本身。这种方法可以将人工智能直接嵌入物理基础设施，无需数据中心。发电厂的涡轮机可以使用自己的废热运行实时燃烧模型。工厂车间的机械可以通过自身产生的热特征优化维护计划。温度本身成为计算与物理世界之间的接口。
扩展挑战依然艰巨。团队需要将数百万个这样的结构平铺在一起，才能接近现代深度学习的能力。随着矩阵变得更加复杂，准确率会下降，特别是当输入和输出端跨度较大时——热信号会模糊成噪声。这些并非微不足道的障碍。
然而更直接的应用绕过了这些限制。能够计算的结构同样可以感知：无需任何额外能量即可检测有问题的热源并测量电子设备中的温度变化。这消除了目前占用宝贵芯片空间的多个独立温度传感器。零能耗的热智能，直接嵌入硅中。
这项工作的更深层意义在于揭示了计算本身的本质。通过开发利用物理热力学的算法，团队表明计算的边界并非由晶体管几何形状或半导体物理学决定。信息处理可以分布到我们周围的基础设施中，而不仅仅存放在专用计算硬件中。热量不再是需要管理的负担，而是可以开发利用的资源。每一块温暖的芯片、每一个工业设备中的温度梯度、每一栋建筑或车辆中的热特征，都可能成为智能的潜在载体。研究人员将整个计算行业在冷却方面花费数十亿美元的问题，转化为一种资源。