随着人工智能系统和自动化代理变得日益复杂，它们在实时环境中执行“在线”和“自适应”策略的能力成为关键。这些策略要求智能体不仅要响应当前输入深富策略，还要基于过去的历史和潜在的未来情景进行推断和记忆管理。然而，这种信息密集型计算的不断增长带来了巨大的能量成本，对全球可持续性构成了重大挑战。物理学对信息处理的最小能量耗散设定了基础限制，其中最著名的是兰道尔原理（Landauer's Principle），它规定了擦除一位信息至少需要耗kBTln2的能量。
然而，由汤普森（Thompson）及其合作者发表在PRL的论文《量子智能体在复杂策略在线执行中的能量优势》挑战了经典计算范式中超越兰道尔极限的额外热耗散，并建立了一个新的框架。这篇论文的核心论断是：利用量子处理的智能体可以从根本上降低执行复杂自适应行为所需的能量耗散，从而在效率上超越经典智能体的极限。
在深入探讨量子优势之前，理解经典智能体面临的能量制约至关重要。一个“在线”智能体必须在没有预知未来输入的情况下做出决策，而“自适应”策略要求其记忆过去的观测和行动以指导未来的输出。例如，一个负责控制生产线的经典系统深富策略，必须存储关于所有可能故障情景和过去操作的大量信息，以保持“就绪”状态。
论文指出，经典智能体的能量成本不仅仅受到兰道尔极限的约束，即擦除信息所必须付出的代价。真正的额外耗散来自于信息的不确定性和冗余存储。为了保证策略的正确性，经典智能体必须为所有未来可能发生的事件（即所有的“未来情景”）分配和维护独立的、可区分的记忆状态。如果一个智能体存储了关于两种未来情景 A 和 B 的信息，但最终只有 A 发生，那么存储 B 的记忆就成了浪费的资源。在下一轮决策或记忆刷新时，这些不必要的记忆必须被擦除，从而导致了额外的、不可避免的热耗散。这种耗散发生在兰道尔极限之上，代表了经典系统处理复杂、不确定策略时固有的能量低效。
量子叠加态与记忆的高效管理量子智能体能够克服经典系统中的这种浪费，其机制在于利用量子叠加态进行高效的记忆管理。
经典智能体在存储两种可能的历史情景时，需要使用两个独立的比特（例如深富策略，00 和 11）。量子智能体则可以将这些不同的历史路径及其相关的未来行动，以叠加态的形式编码到一个单一的量子位中。这种编码方式使得智能体可以推迟对未来不确定性的最终“承诺”。
论文的突破性见解在于，这种叠加态存储允许量子智能体以一种可逆的方式维护信息，直到该信息被证明对执行策略至关重要。当未来的输入最终消除不确定性时，量子智能体可以通过一个酉操作有效地将不需要的记忆分支投影出去，而不需要像经典智能体那样通过不可逆的擦除过程来耗散热量。
因此，量子智能体能够匹配经典智能体的性能，但在存储和管理那些未来可能被证明是冗余的应急信息时，却能消耗更少的能量。通过这种方式，量子智能体将耗散成本从对所有可能未来情景的绝对承诺，转化为了对实际发生的未来情景的适应性响应。
优势的条件与无界增长论文的理论分析确立了量子智能体获得能量优势的必要和充分条件，这些条件与策略中未来情景的不确定性和信息相关性紧密相关。
更引人注目的发现是，对于某些特定的复杂策略，量子智能体的能量优势可以无限制地增长。这意味着，随着智能体执行的自适应任务变得越来越复杂、需要应对的未来可能性越来越多时，经典智能体的能量成本将以不可持续的速度增长，而量子智能体的成本增长则更为平缓。这种无界优势的出现，直接将量子处理的价值从纯粹的计算速度或内存容量，提升到了一个更基础的信息热力学层面。
此外，这项研究的关键优势在于其普适性：量子智能体的能量优势不需要量子输入或输出。这意味着这种优势在智能体与纯粹的经典环境交互时依然存在，例如处理经典的传感器数据和发出经典的控制指令。这表明，量子处理作为一种内部的、提高能效的计算引擎，能够广泛应用于各种现有的经典 >AI 和自动化系统。
结论与展望《量子智能体在复杂策略在线执行中的能量优势》这篇论文，提供了一个革命性的信息热力学框架，揭示了量子计算超越传统加速的又一种根本优势。通过证明量子智能体能够更有效地管理不确定性所带来的冗余记忆，并避免由此产生的额外热耗散，该研究不仅为我们提供了在理论上超越经典能效限制的途径，还为未来设计高能效的 >AI 系统指明了方向。
随着大型语言模型（LLMs）等复杂 >AI 工具的能源消耗日益成为焦点，这项研究的结论可能对 >AI 的可持续发展具有深远的意义。它表明，将量子处理引入到对记忆和适应性要求极高的在线任务中，可能不仅是计算能力的升级，更是实现可持续、低耗能复杂行为的关键物理学途径。这项工作开辟了信息热力学应用于复杂系统的新领域深富策略，并强烈暗示，从物理学角度来看，描述宇宙的最内禀、最连贯的智能体，可能天然就是量子智能体。
富腾优配提示：文章来自网络，不代表本站观点。
