计算、信息等概念如何受控于真实的物理定律，而生物物理的编码策略又是如何指导现实世界的智能设计，几者之间是否存在统一的框架？我同时修读物理学与计算机科学的学位的原因，也是为了一览学科交汇处的隐藏的风景。以下两篇短文，便是我从学期阅读中对计算本质与智能边界的一点思考。
计算的物理意义：相变、景观与复杂性边界
概念: 计算
传统的计算机科学往往使用图灵机范式，计算被抽象为纸带上的逻辑演化。然而，Marc Mezard 与 Andrea Montanari 的 Information, Physics, and Computation 指出，计算可以由一个受统计力学规律支配的物理过程描述。如在组合优化中寻找约束下赋值的计算过程，能被映射为在能量景观中寻找系统基态的物理过程。
计算的硬度边界并非均匀分布，而是由物理上的相变边界所划定。以随机 $K$-满足问题为例，问题的复杂度敏感地取决于约束密度 $\alpha$ ，代表约束条件与变量数的比率。统计物理学指出，算法失效的根源在于解空间发生的聚集相变。当 $\alpha$ 超过动态转变阈值 $\alpha_d$ 时，原本连通的解空间会破碎成指数级数量的隔离区域。这些簇间在宏观尺度上被极高的Hamming 距离隔开，从而解空间从“整体连通”转变为“孤立孤岛”。
几何结构的破碎限制了算法的可行性。随机行走等局部搜索算法极其依赖连通性的保证。几何结构破碎后，系统极易陷入局部能量极小的亚稳态，从而降低找到真正基态的效率。这种由于动力学减速导致的算法失效，正是物理相变在计算科学中的投影。我们可以引入组态熵等工具来精确计数这些亚稳态的数量，从而界定计算从“易”到“难”的本质转变。由此可见，可计算性的终极边界并非逻辑的匮乏，而是受制于能量景观的几何结构，是熵与能量在物理世界博弈的必然结果。
噪声中的最优性：生物编码对 Von Neumann 架构的挑战
概念: 仿脑
现代计算机的逻辑根植于 Von Neumann 架构与严格的数理逻辑。为了维持布尔逻辑的确定性，系统需要提高电压等手段来抵消噪声，这种对逻辑纯净的要求使得计算消耗随集成度攀升而剧增。然而，根据 William Bialek 在 Biophysics: Searching for Principles 中的论述，生物智能正好相反，其并非通过躲避噪声来生存，而是在物理学定律允许的范围内，将随机性转化为处理信息的资源。
值得注意的是，生命系统展现出的探测能力已经能够达到物理极限。William Bialek 指出，视杆细胞对单颗光子的响应已然触及了量子力学定义的边界，足以察觉光子随机到达的泊松性质。在化学感知领域，细菌的趋化性遵循 Berg-Purcell 极限，通过“计数”每一个到达表面的引诱剂分子来感知极微弱的浓度梯度。这些对物理学极限的极致利用表明，仿脑计算的核心可能不在于追求绝对的零噪声预测，而是对于底层逻辑的深度重构，比如利用离散且随机的脉冲信号，实现互信息的最优化。
互信息最优性在神经编码中得到了严密的数学印证。Laughlin 对苍蝇视觉系统的经典研究表明，神经元的输入-输出转导函数与自然环境信号的概率分布函数几乎完美匹配。这种匹配在统计上达到了最大熵状态，能够使得神经放电的每一个电平被使用的频率相等，让有限的信道容量得到极致利用。相较于 Von Neumann 架构通过功耗强行抹除波动，生物系统通过使用消耗 ATP 的能量驱动的动力学校正，在非平衡态下实现了超越热力学平衡态限制的编码精度。
未来的仿脑设计可以从这种噪声处理的范式中汲取灵感。相较于试图消灭噪声达到所谓的真空理想状态，生物编码能够将环境中波动转化为预测的升力，通过利用过去状态的微小信息，换取对未来生存优势的极致预测。这种在噪声极限下寻求最优解的策略，正是生物学与物理学为新一代智能架构的指引。