物理智能的热力学极限

现代人工智能系统在实现卓越能力的同时，也付出了巨大的能源消耗代价。为了将智能与物理效率联系起来，我们在明确的核算约定下提出了两个互补的比特每焦耳度量：(1) 每焦耳热力学认知复杂度——在给定边界内，每单位测量能量下，智能体内部状态中新编码的关于理论环境-实例变量的结构信息比特数；以及(2) 每焦耳赋能——在固定时间范围内，每预期能量成本下的具身感觉运动信道容量（控制信息）。这两个度量提供了物理智能的两个轴：识别（模型构建）与 控制（动作影响）。借助随机热力学，我们展示了在明确的子系统假设下，一个朗道尔尺度的认知复杂度获取闭环基准如何作为标准热力学学习不等式的推论得出，并阐明了在明确的复位/重用和边界闭合假设下，朗道尔尺度成本如何作为闭环基准；反之，我们给出了一个简单的解耦构造，表明在没有这些假设——并且不对跨越边界的、外部制备的低熵资源（例如，新内存）收费——的情况下，信息增益和边界内耗散不必紧密关联。对于潜在结构变量不可用的经验场景，我们将认知复杂度的操作概念与计算受限的MDL认知复杂度对齐，并建议将MDL-认知复杂度/压缩增益替代指标作为辅助报告。最后，我们提出了一个统一的效率框架，该框架同时报告这两个度量，并附带一个关于边界/能量核算、粗粒化/噪声、时间范围/复位和成本约定的最小检查清单，以减少歧义并支持一致的比特每焦耳比较，同时我们概述了与能量调整缩放分析的联系。