# 傑弗裡·沙因萊恩：神經形態計算與光電智慧 > 物理學家設想用超導光電元件模擬大腦神經元，探討這條路線能否帶來低功耗的智慧計算。 - 原標題：#225 – Jeffrey Shainline: Neuromorphic Computing and Optoelectronic Intelligence - 期數：第 225 期 - 釋出日期：2021-09-26 - 嘉賓 / 主題：神經形態計算與光電智慧 - 網頁版：https://lex.qiaomu.ai/tw/ep/jeffrey-shainline/ - 官方頁面：https://lexfridman.com/jeffrey-shainline/ - 精讀字數：約 10164 字（閱讀約 23 分鐘） > 本文為 lex.qiaomu.ai 基於原始訪談的 AI 改寫中文精讀，非官方翻譯；引用請註明出處並連結網頁版。 矽不會發光。 這句話聽起來像在開玩笑，其實是整個計算硬體史上最重要的一條物理判決。Jeffrey Shainline（傑弗裡·沙因萊恩）是 NIST（美國國家標準與技術研究院）的科學家，研究神經形態計算和光電智慧。他在 Lex Fridman 播客裡花了很長時間解釋這條判決的來龍去脈：人類如果能在矽晶片上做出一個像電晶體一樣簡單的光源，世界上不會有任何一顆處理器拒絕用光來通訊。可惜做不出來，卡住的地方在自然規律這一側。 這場對話從最基礎的電晶體講起，一路走到超導電路、單光子探測、大腦的分形結構，最後落在一個聽上去很科幻的問題上：宇宙的物理引數，是不是被某種演化過程篩選過，以利於技術的出現？ ## 先把一臺計算機拆到最底層 Shainline 的講解從材料開始。矽是半導體，意思是在低溫下它沒有自由電荷，沒有能到處跑的電子。給一塊矽加上電壓，電子才開始移動，移動形成電流，電流可以被測量，資訊因此有了物理載體。 半導體的妙處在於可塑性。矽是晶體，原子按嚴格週期排列在格點上，沿著晶格向量從任意一個原子出發，都會走到下一個、再下一個，位置精確得近乎完美。你可以故意用磷原子替換掉某個格點上的矽原子，那一小片區域裡的自由電子數量就變了。左邊一個電極，右邊一個電極，中間是溝道，電壓加上去，電流就能流過去。再在上面加第三個電極，也就是柵極，柵極電壓一變，溝道電流跟著變。數位電路的做法是把左右兩端電壓固定，只調柵極，於是得到導通和截止，也就是一和零。 從這一個基本元件出發，數位電路的所有複雜度都長了出來。 尺度有多小？矽晶格間距大約是半個奈米，比人的頭髮絲細上六個數量級。現在最先進的工藝做到七奈米，一條導電通路上只有幾十個原子。上世紀六十年代，摩爾預測這種縮小至少還能持續二十年，結果持續了六十年，而且每次都是靠同一招：把特徵尺寸做小，器件就更快、更省電，晶片面積不變，算力持續上漲。 軟體工程師是被這份禮物喂大的。你不需要做任何事，只要等兩年，同一段程式就會跑得更快。功耗雖然在最近十幾年沒有繼續同步下降，但前面那段黃金歲月實在慷慨。 ## 光刻是一整套製造奇蹟，也是一整套物理巧合 晶片不是一顆一顆做出來的，是在晶圓上印出來的。用光刻把同一套圖形重影印到晶圓上不同區域，一層疊一層，成熟工藝可能有上百層。現在的晶圓直徑三百毫米，跟一張披薩差不多大，上面能放一千顆處理器，最後用鋸切開。因為製造流程足夠順滑，單顆晶片才能賣得那麼便宜。 光刻的核心步驟是離子注入。先用光刻膠把某些區域蓋住，把其他區域暴露出來，注入不同種類的離子，改變區域性的電學性質。光刻膠有意思的地方在於，光子打上去會打斷聚合物鏈，被照過的區域能被水溶液洗掉，沒被照過的留下。聽起來不算太意外，但所有環節湊在一起，才形成了這麼一套又複雜又可量產的生態。 這裡還藏著一個更深的巧合。用來做光刻的光波長超過一百奈米，已經深入紫外，但最終圖案的精度能做到七奈米，甚至有人在談四奈米。Shainline 認為，這種縮放能力是整個物理世界給我們的饋贈，人類更多是發現它，還沒到發明它的程度。 ## 為什麼最後贏的是矽 電晶體剛發明那幾年，有好幾種半導體都在被認真考慮。大多數人的直覺是鍺，因為鍺裡電子的運動方式有些漂亮的特性。也有人押注三五族化合物半導體，它們的物理性質看上去更出色。多個團隊分頭探索，這本來就是科學該有的樣子，廣撒網。 最後贏的是矽，而且贏得沒有懸念。贏的理由在於一組品質恰好湊在一起。 第一個是二氧化矽。電晶體需要一個極薄的絕緣層把柵極和溝道隔開，否則載流子會被直接吸進柵極，電晶體就不成立了。矽暴露在空氣裡會自然生長出一層氧化矽，這套天然的氧化物在整個元素週期表裡幾乎找不到對手。它的缺陷密度極低，能擋住很大的電壓而不漏電。 第二個是帶隙。半導體的帶隙決定了誘導電流流動需要多大的電壓。鍺大約是0.75電子伏，矽是1.1電子伏。差別看著不大，但問題在於熱激發。環境溫度本身會把一部分電子頂過帶隙，變成意外載流子，而這些載流子會讓計算出錯。載流子的數量隨帶隙指數衰減，多出這零點幾電子伏，就把矽推到了室溫環境的理想位置。 第三個是矽是單元素半導體。化合物半導體需要兩種原子按規律交替排列，原子一旦坐錯位置，效能就下降。矽只需要一種原子，缺陷機會少得多。 > 一堆物理性質剛好湊成一個可以量產的組合，功勞不在某一個人。（Jeffrey Shainline） 順帶說一句，我們今天的所有數字計算都建立在一個假設上：錯誤極少，幾乎可以忽略。而大腦的假設完全相反，它預設到處都在出錯，還必須在出錯的前提下保持魯棒。 ## 大腦的第一性原理是一條冪律 從這兒開始，Shainline 的講法變得像數學。 新皮層裡負責高階推理的神經元，每一個都向外伸幾千個連線。這樣高度互聯的結構帶來的直接好處是，網路裡任何一處資訊可以用極快的速度傳到任何另一處。 更妙的地方在連線機率的分佈。你在皮層裡畫一個小方框，方框裡的神經元大部分連線落在方框內部，這叫聚類。但也有一小部分連線跑到方框外面。你把方框放大一倍，統計規律完全一樣。這就是尺度不變。 如果連線機率隨距離呈指數衰減，大腦就會是一個非常局域化的系統，稍微遠一點就幾乎不連線。實際觀察到的是冪律，連線機率隨半徑下降，下降得卻比指數慢得多，跟萬有引力和電磁力在空間裡的衰減方式是一個形狀。 時間維度上是同一回事。如果神經元都以同一個頻率振盪，頻率分佈就會在某處形成一個尖峰。實際觀察到的是，振盪頻率的分佈也是冪律，沒有特徵尺度。人的思維從幾十毫秒一直延伸到一輩子的跨度，你還能想起小時候發生的事。再往外推，人類文明整體也被看成某種跨有機體的思維。 > 捕捉這些動力學，在我看來就是神經形態計算的目標。（Jeffrey Shainline） ## 記憶不只是改權重 Hopfield 網路是其中一種記憶模型：記憶儲存在神經元之間的活動模式裡，某個輸入如果和過去的輸入足夠相似，網路就會收斂到同一片吸引子。你看到一張臉，某個網路模式被啟用，因為上次看到這張臉時你在電影院，那是個明星。 但要能把這種模式刻進去，你得有改突觸連線強度的能力。突觸權重更新是神經科學和神經形態計算裡的重頭戲。Shainline 把監督和無監督做了很物理的區分：監督意味著外部使用者手裡有一個旋鈕，能調每一個權重；無監督意味著權重自己變，沒有任何一根外部的線接進那些突觸，網路靠器件本身的物理性質重新配置自己。 除了權重，還有幾層機制。 - 短期突觸可塑性。同一個突觸連續發第二、第三、第四次脈衝時，傳遞效率會變弱。這是一種學習：我正在被過強的刺激轟炸，得先把它調低。 - 元可塑性。它改的是權重變化的速率，權重本身不動。走進一間教室準備學習，大腦釋放多巴胺之類的神經調質，把可塑性速率調高，你變得更容易接受新資訊，也更容易覆蓋舊資訊。 - 穩態可塑性。某個神經元發得太猛，它會自己把閾值調高，把自己拉回有用的動態區間。深度網路裡也有類似的操作，不只改權重，還可以移動神經元的閾值。 至於長出新連線，在成年大腦裡算不上主要機制。你此刻聽我說話，學到東西，並沒有長出新的軸突連到新的突觸上，靠的是已有連線上的可塑性。用權重更新來近似，至少是夠用的。 ## 皮層和海馬體是兩種完全不同的網路 Shainline 用一張卡通圖解釋大腦的架構。皮層是一張外層的薄片，展開來放在桌上大概是一張披薩大小，裡面有一百億個神經元，連線按冪律分佈。海馬體是完全另一個模組，負責你身處何時何地的判斷，它的連線幾乎是隨機的，幾乎不隨距離衰減。海馬體只有一億個神經元，因為規模小，才能維持這種高密度的隨機連線。 兩個模組一直互相說話，牽線的是丘腦。三者合起來叫丘腦皮層複合體。Shainline 認為，如果要復現大腦活動的型別，就必須把這種分模組、分工、再整合的架構做進去，只做一堆神經元是不夠的。 ## 超導：電流可以永遠流下去 半導體裡，電子撞上晶格缺陷或者另一個電子就會失去動量，所以必須一直加電壓才能維持電流。超導體裡發生的事完全不同：電流一旦開始流動，就會永遠流下去，沒有耗散。 條件是低溫。Shainline 說的主要是常規超導體，臨界溫度大約十開爾文，實際工作在四開爾文上下。在這個溫度下，原子的熱振動和電子之間的碰撞都低到某個程度以下，電子會進入一種特殊狀態，有時被稱為宏觀量子態。一整塊鈮冷到臨界溫度以下，裡面參與超導的電子會處於同一個相干的量子態，波函式同時描述所有這些粒子，並且延伸到整塊材料的宏觀尺寸。 為什麼電流不會被打斷？電子是全同粒子，你沒法分辨它們。某個電子撞上缺陷本該被散射，它可以被另一個電子替代，整個量子態並沒有被那個缺陷散射。於是電流無損地流下去，這叫超電流。 ## 約瑟夫森結，和往環路里彈一份磁通量子 超導電路里最通用的元件是約瑟夫森結，做法是兩段超導體中間夾一層很薄的絕緣體或普通金屬。超導波函式會穿過這層勢壘，形成隧穿。 它和電晶體有某種類比關係。電晶體是加了電壓就改變左右電流，約瑟夫森結是電路工程師搭複雜結構的起手元件。但它和電晶體有一個關鍵差別，這個差別決定了它的命運。 超導體能承載無損電流，但這個能力有上限，超過臨界電流就變回普通電阻材料。約瑟夫森結也一樣。把結偏置到臨界電流之上，它會往旁邊的超導環路里注入一份量子化的、離散的電流。行話說就是彈一個磁通量子進環路。 速度很快。這些電流脈衝的傳播速度能到光速的三分之一左右，開關動作在幾十皮秒內完成，器件可以工作在幾百吉赫茲。作為對比，今天的處理器大多在一到三吉赫茲。玩超頻的人在四吉赫茲就已經很興奮了，幾百吉赫茲是另一個量級。 那為什麼不直接用它替換矽做數字計算？Shainline 的答案很坦率：單項指標都夠好，整體算下來不划算。電晶體可以一代代縮小，縮到七奈米、三奈米，功能照樣成立。約瑟夫森結做不到。它的工作依賴結和環路之間的相互作用，環路的尺寸受磁場與超導材料相互作用的基本物理限制，再怎麼改進工藝也縮不下去。上世紀七十年代 IBM 大力推過超導數字計算，九十年代 Likharev 和 Semenov 提出過一整套基於約瑟夫森結的數位電路族，能比矽快上百倍，但這些優勢始終沒有轉化為系統層面的勝出。 ## 環路神經元長什麼樣 既然超導不適合搶數字計算的飯碗，那它適合幹什麼？Shainline 的答案是要換一個應用空間，換成神經形態。 在這個硬體裡，一個神經元可以理解成一堆以約瑟夫森結為基礎的電路。從突觸開始看：突觸收到上游神經元發來的光子，一個超導單光子探測器把它轉成電訊號，往一個超導環路里加電流。加多少，由突觸權重決定，是模擬量，精度能做到八到十位元。 電流加進環路後會指數衰減，衰減的時間常數由串進去的電阻決定。這就是突觸後訊號。它隨後進入樹突結構做處理。有意思的是，突觸、樹突、胞體、各種可塑性機制，用的都是同一塊積木電路，只是幾個引數不同。這塊積木在超導電路里很基礎，就是一個直流超導量子干涉儀，兩個約瑟夫森結組成，屬於最家常的元件。 胞體接收所有電輸入，累積起來，當它超過閾值，也就是把某個約瑟夫森結驅動到臨界電流之上，就產出一束電流脈衝。這束脈衝經過電壓放大，去驅動一個光發射器，把電訊號變成光。這是整個神經元裡唯一一段半導體器件。光隨後扇出到波導網路，抵達下游所有突觸，那些突觸再各自重複一遍上面的過程。 記憶就儲存在環路里迴圈的電流上。耦合透過變壓器式的環路耦合完成，突觸裡迴圈的電流會在胞體裡的接收環路中感應出電流。整個計算都發生在這些磁通儲存環路里，Shainline 乾脆把它們叫環路神經元，因為比"超導光電子神經元"順口。 ## 電子管計算，光子管通訊 計算是什麼？Shainline 給的定義很樸素：接收一些資訊，對資訊做操作，產出新的、更有用的資訊。給你一張圖，圖裡有把鑰匙，輸入是整張圖，輸出是鑰匙的座標。資訊總量減少了，有用的那部分被抓了出來。 通訊是什麼？把資訊從一個地方搬到另一個地方，資訊本身不變。Landauer 說過資訊是物理的，既然是物理的，它就待在某處，你想讓別處的元件用它，就得搬過去。 於是就有了那句著名的分工：電子擅長計算，光子擅長通訊。 電子帶電，相互作用強。一堆電子堆在一處會互相排斥，你想推它們走，改一個柵極電壓就行。電子還有質量，可以被空間局域化，所以你可以用它的位置表示資訊，還有旋鈕去改變它的位置。計算需要改變資訊，電子正合適。 光子彼此不相互作用。低光強下，一個通道里多塞一個光子，不會干擾已經在那裡的光子，它們直接穿過彼此。這對通訊是巨大優點，光子可以輕鬆分流、扇出、並行傳輸。對計算卻是巨大麻煩，你想讓一束光改變另一束光攜帶的資訊，做不到。 距離上的差別同樣致命。用電線傳資訊，你得先把電線充電，把電壓抬上去，電線有電容，電容和線長成正比。線的能量消耗隨電容和電壓平方增長。你跟我兩個人之間拉一根線還湊合，但一個神經元要同時發給一萬個下游連線，一萬根線的寄生電容疊加起來，功耗和時間都會爆炸。而一萬這個數字不是隨便挑的，它就是大腦裡一個神經元大概的連線數。 換成波導就完全不同。你把光子注入一條波導，不管這條波導多長，不管你臨時加了多少個分支，都不需要抬升什麼電壓，沒有那種電容懲罰。多一個連線，就多分一點光過去而已。 ## 怎麼接住一個光子 光子發出去，對面得接得住。這是 Shainline 團隊工作的一大重心，他的組長 Sae Woo Nam（南世宇）整個職業生涯都圍繞超導單光子探測器。 原理不復雜。一條超導支路並聯一個電阻支路，再串一個測電流的裝置。電流全部走超導那一路。一個光子打中，超導的宏觀量子態被破壞，那條支路變成電阻，設計上讓它遠大於另一路的電阻，於是電流改道，測量端看到一個脈衝。幾納秒後能量散掉，超導恢復，電流回到原來的路徑。 這套探測器帶來一個關鍵的連鎖反應。半導體探測器要接住一束光，需要幾千個光子。超導探測器只需要一個光子。需求降低了三個數量級。 於是對光源的要求也鬆了。化合物半導體光源效率高，但很難和矽工藝共融，晶格不匹配，生長需要高溫，會把已經做好的電晶體全毀掉。可如果對面要的只是一個能吐出幾千個光子的及格光源，事情就容易多了。矽在四開爾文這個低溫下也未必不能當光源。 > 如果矽晶片上有一個像電晶體一樣簡單的光源，世界上不會有任何一顆處理器不用光通訊。（Jeffrey Shainline） 順帶一提，通訊在這裡被設計成完全二值的。突觸不管收到一個光子還是五個光子，反應都一樣：事件發生了。這是有意的，通訊不應該改變資訊本身。不過另一個方向的需求也存在，過渡邊緣感測器那種超導器件能根據脈衝幅度數出光子數，這在把資訊編碼進光子數的光量子計算裡很有用。 ## 為什麼必須往第三維堆 大腦在空間上緊湊得不可思議。硬體神經元做不到那麼緊湊，無論是矽電晶體、超導電路還是光通訊。一個有相當複雜度的硬體神經元，尺寸大概在一百微米見方，很難再小。波導的尺寸被光的波長卡住，一微米左右。作為對比，大腦裡的軸突直徑只有十奈米。 所以要在晶片上堆出和大腦可比的數量級，必須用第三維。晶圓上要疊多層有源器件（做計算的超導電路）和無源器件（走光的波導），五六層，最好到十層。這還只到百萬神經元的級別。要到人類大腦的一百億神經元，得把整片整片晶圓疊起來，晶圓之間用光纖互連，填滿一張桌子那麼大的空間。 而且這個堆疊必須處處分形，從單層到晶圓到整機，每一級的連線都保持冪律分佈。不然資訊沒法從一個點高效地覆蓋整個網路。 ## 四開爾文的門檻 很多人聽到四開爾文就起身走人。Shainline 覺得這種反應有點地球中心主義、物種中心主義。我們活在三百開爾文裡，所以希望技術也在那兒工作，可以理解。 但賬要算全。宇宙微波背景是2.7開爾文，我們比深空還熱。整個量子計算行業通常工作在五十到一百毫開爾文，比四開爾文還要冷一百倍，幾乎所有人都相信量子計算會改變世界，沒人因為冷就撤資。那為什麼四開爾文就成了原罪？ 真正的差別在應用場景。手機、筆記本、車載裝置，超導確實進不去，一個需要揹著啤酒桶大小製冷裝置才能用的手機毫無意義。但如果是資料中心級別的集中式系統，製冷本來就是工程任務的一部分，田納西那幾臺超算把整個倉庫那麼大的空間填滿，本來就在為散熱花大錢。在這個尺度上，多降到四開爾文，算不上顯然的出局條件。 Shainline 甚至把視角推到太陽系。如果只是要反射走陽光，小行星帶上隨便找個地方就有巨大的先天優勢。一個更高階的文明把它的認知系統放在遠離地表的低溫暗處，那裡對超導系統天然友好，而地球這邊三百開爾文的環境反而是將就。 > 如果四開爾文能讓你做出比任何室溫技術高好幾個數量級的認知，你會去做。物理極限不在乎你住得舒不舒服。（Jeffrey Shainline） ## 用一條微分方程模擬百萬神經元 設計這種電路，一開始用傳統路子。單個突觸不復雜，幾個約瑟夫森結，直接扔進 SPICE 解微分方程就行。問題是往上疊加就很貴。約瑟夫森結要求皮秒級時間步，節點一多，需要同時解的方程數量就失控。 疫情那陣子，團隊把注意力轉向適合在家做的計算建模。他們做的事情是抽象化：不去顯式求解電路方程，而是給它找等效模型。好訊息是，所有元件都基於同一塊積木，突觸、樹突、胞體、可塑性都能簡化成漏積分器，一條微分方程。 時間網格也可以粗化。合起來速度提升大約一千到一萬倍，目標直接拉到百萬神經元。之前只能模擬幾十個、一百個。 Shainline 對這件事的興奮點在於複雜性的來源。簡單積木，大量重複，用不同引數和連線方式組合，湧現出事先難以預測的行為。這套平臺既是神經科學的試驗場，也能連到其他物理問題上，臨界現象、伊辛模型之類。 ## 機器學習能從這套硬體拿到什麼 Shainline 對短期商業回報沒有興趣，也不打算把這事做成生意。想做快錢就去做深度學習，用矽。他關心的是另一個問題：一個物理系統的極限在哪。 他很謹慎，不做過高承諾。在他看來，機器學習有個根本限制，它要求你清楚知道自己輸進去的是什麼，以及目標函式是什麼。而智慧的定義更像是處理那些你既不知道輸入、也不知道目標的問題。 > 我不太清楚我自己在這世上想做成什麼。智慧大概就是處理這類問題的能力。（Jeffrey Shainline） 不過團隊裡確實有人在推進機器學習方向。NIST 的 Mike Schneider 在做超導影象分類器，目標是一個九畫素、三類別的分類任務，他估計分類時間可能在一百皮秒量級。這個演示的意義在於證明這條路在極小尺度上跑得通。問題在於製冷開銷，約瑟夫森結電路本身比電晶體省電好幾個數量級，但維持低溫的固定成本很高，必須在大規模上才能攤薄。結論是它不會進手機，但可能進資料中心。 說到資料中心就繞不開自動駕駛那種算力需求。特斯拉的 DOJO 是應用驅動的大規模訓練系統，公司被一個具體問題釘住，反而更容易做出東西。流程是訓練、部署到幾百萬輛車上、採集邊緣案例、再重新訓練，一個巨大的迴圈。這種集中式的、需要海量資料整合的認知樞紐，正好是超導光電子大規模網路可能有優勢的場景。當然不是明天，五年十年也未必。 這裡還有一條 NIST 關心的線：可信 AI。Elham Tabassi 在主持一個比 Shainline 的小專案大得多的 AI 計劃，核心是可信度。把神經網路放進每一輛車上，風險很高，你得能證明它可信。而這裡存在一個根本張力：電腦科學界希望演算法可證明正確，可生物系統什麼都證明不了，它靠的是對不完美的魯棒性。圖靈那句話說得最清楚，我可以給你一個智慧系統，也可以給你一個無瑕的系統，但沒法同時給你兩個。 ## 物理和工程，誰給誰鋪路 Lex 丟擲了那個經典的挑事問題。Shainline 沒上鉤，但回答很乾脆：兩者缺一不可。 物理通常在早期關鍵。半導體物理沒有先被搞明白，電晶體根本不會出現，你連球場都上不了。一旦原理被證明可行，接管舞臺的就是工程。為什麼今天的手機比過去的超級計算機還強，全是工程。 不過分界線沒那麼幹淨。矽的材料性質、光刻技術、X射線晶體學、聚合物化學、材料科學，你說不清該歸到哪一類。是一場漫長的雙人舞。 ## 宇宙在篩選技術嗎 對話的後半段，Shainline 把話題拉到了他自己寫的一篇論文上：《宇宙學演化會篩選技術嗎？》。 先要介紹背景。物理學家一直在追問精細調節問題。描述宇宙的方程裡，除了方程的形式，還有一堆引數，它們決定各種耦合的強度，比如精細結構常數決定電磁相互作用有多強。這些引數看起來被調得非常準，稍微動一動，宇宙可能在納秒內出現又消失。有人評價說，這像一場精心安排的騙局。主流的回應是弱人擇原理：我們只能觀察到一個適合我們存在的宇宙，這是選擇偏差，不必大驚小怪。 但 Shainline 覺得這個回答解釋不了另一件事。為什麼宇宙給了我們超導？為什麼給了我們矽，還順帶附贈一種近乎完美的天然氧化物，讓電晶體可以不用費太大勁就造出來？這些沒法用人擇原理打發。 他借的是 Lee Smolin（李·斯莫林）的宇宙自然選擇。基礎是 Guth 和 Farhi 在1986年提出的一個觀察：大爆炸和黑洞在數學上難以區分，一個宇宙裡的黑洞，可以是另一個宇宙的大爆炸。Smolin 在此基礎上加了一個關鍵點：黑洞形成屬於量子引力過程，描述它的引數會發生量子漲落帶來的微小突變。後代宇宙的引數和父輩接近，但不完全相同。變異和選擇就這麼出現了。 Smolin 估計我們的宇宙可以追溯到大約兩億代演化。選擇壓力是恆星數量，因為恆星會產生黑洞，黑洞會產生後代。所以宇宙的引數應該被最佳化來最大化繁殖力。 Shainline 的補充是：恆星造黑洞非常浪費。恆星靠引力慢慢擠，一顆只有十公斤的物質，如果被壓縮到極小的體積，就足以形成一個很可能膨脹成後代宇宙的黑洞。這來自量子場論學家的計算，他自認只是轉述者。 粗算一下。一顆直徑一公里的普通小行星，拆成十公斤一塊，每一塊造一個宇宙，那就是至少一萬億個黑洞，比銀河系誕生以來所有核心坍縮超新星產生的黑洞還多三個數量級。而這只是一顆小行星。如果技術文明能夠擴張到小行星帶，它產出後代宇宙的速率就會遠超恆星。 如果真是這樣，那我們的引數就可能在兩種壓力之間被拉扯著篩選：既要讓恆星穩定、壽命夠長，也要讓水有合適的性質，讓宜居帶有岩石行星，讓矽有那種氧化物，讓技術可行。預測就是我們坐在一個各方角力的中間點上，往任何方向挪太多，某一個環節就斷掉。 ## 我們在宇宙裡排第幾 順著這個思路，Shainline 明顯傾向智慧文明是稀有的。他引 Max Tegmark，也引最近天體生物學裡的一些工作：一個星系裡出現一個智慧物種不算小機率，但下一個太陽系就有一個，幾乎不可能。 時間視窗也很關鍵。星系整個生命週期裡可能有過一個到上百個智慧文明，但它們未必同時存在。 地球的生命史給了參照。生命出現得很快，幾十億年前就有了微生物。然後有兩百五十億年基本只有單細胞在演，光合作用產氧之後，行星慢慢氧化，直到能支撐複雜生命。寒武紀大爆發在五到六億年前，那是一個很稀有的門檻，幾乎所有現存的體型設計都誕生在那一小段視窗裡。人類可能是又一道更窄的門。 Lex 在這裡給了一個很美的反轉：如果整個宇宙演化是一場篩選技術的過程，那人類不可能是這個過程中最驚人的產物。大部分宇宙挺無聊的，幾塊石頭在飛，幾隻猿猴在一個奇怪的星球上錄播客。宇宙應該有更高效、更精彩的表達形態。 Shainline 接住了這個球，但他沒有把它推向虛無。他看到的是層級。大爆炸初期是等離子體的一團混亂，第一代恆星需要一大堆演化過程才形成，我們需要第三代恆星才有足夠的金屬。地球生命是這條層級上的一層，而下一層可能正在生長，也許會長出比我們強得多的認知系統，住在太陽能照到的遠地之外，用單光子探測器從射電一直看到伽馬射線，用巨大的集光鏡注視整個宇宙。這樣的系統大概也會找點樂子，說不定會創造並維護一個像地球一樣的東西來觀察。 對話最後落到一句互相致意的話上。Shainline 說 Lex 能在知識棧的所有層級上工作，這是一種分形式的智力。兩人都承認，這種跨層級的連線，才是這場對話最有價值的部分。 ## 如果你想繼續往下走 - 先讀 Shainline 那篇《Optoelectronic Intelligence》，它是理解整套思路的入口，把光通訊、超導計算和神經形態架構綁在一起講。 - 關注 NIST 博爾德團隊的工作，Shainline、Sae Woo Nam、Sonia Buckley、Jeff Chiles、Adam McCaughan、Bryce Primavera 這些人都在同一張網上，論文會互相引用。 - 別把"四開爾文太冷"當成一句話判決。先算總賬：製冷開銷、系統規模、單位算力的總功耗，再和室溫方案比較。 - 想理解大腦，去讀神經科學文獻。Shainline 自己的說法是，外行想象中的"我們根本不懂大腦"，和文獻裡呈現的數學嚴謹程度之間，差距大得嚇人。 - 看硬體效能時，區分單一指標和系統指標。約瑟夫森結的開關速度比電晶體快上百倍，但數字計算機是一門系統生意，製造、封裝、縮小尺寸、散熱全都算數。 - 對"宇宙裡有多少智慧文明"這個問題，保持時間視窗的自覺。一個星系裡有過多少文明，和此刻同時存在多少文明，是兩個完全不同的數。 - 想追宇宙自然選擇這條線，讀 Lee Smolin 上世紀八十年代末那篇《Did the Universe Evolve?》，再讀 Shainline 那篇關於技術篩選的論文，兩篇放在一起看，邏輯鏈才完整。