在算力為王的時代，科技產業似乎必須靠著更多晶片，換取更強運算，並付出更多電力來開闢一條成功的路徑，正因這條路徑，造就出新的矽谷秩序，也讓輝達市值在2025Q4首月衝上了五兆美元的世界之巔，更讓能源消耗成為生成式 AI的最大現實成本。從資料中心的伺服器到為冷卻系統加壓的水塔，電力不再是單純支撐，而是整個產業的隱形貨幣。就在這個高耗能的神話看似無可逆轉之際，一家名為Extropic的新創公司提出了「讓機器『擁抱雜訊』，非抑制雜訊，才是重新定義智能運算的開始」的截然不同命題。

這家公司提出了「讓物理本身思考」這種既大膽又古怪的構想。在創辦人吉拉姆．維頓（Guillaume Verdon）與技術長崔佛．麥考特（Trevor McCourt）共同具名發表的論文《熱力學採樣單元：一種用於概率運算的硬體架構》（Thermodynamic Sampling Units: A Hardware Architecture for Probabilistic Computing）裡，清楚主張以「熱力學晶片」（Thermodynamic Sampling Units, TSUs）取代傳統GPU的部分任務，讓熱雜訊與隨機波動成為可編程的運算資源。這種名為「熱力學採樣」的概念，被《連線》（Wired）雜誌形容為試圖「讓宇宙的混亂為人類工作」，聲稱在生成式AI等概率任務上可達「數千至一萬倍」的能源效率提升。

技術上，熱力學採樣單元並非量子電腦，也不是傳統邏輯電路，它的核心元件是所謂的概率位元（probabilistic bit），輸出不是確定的0或1，而是依據可調偏壓呈現某種機率分佈，例如70%為1、30%為0，這些概率位元陣列，在室溫下捕捉電子的熱波動，形成連續的隨機源。與其說是壓制雜訊，不如說是「擁抱混亂」，熱量在此不再是錯誤，而成了燃料。這點呼應了維頓自量子計算領域抽身之後，思考出「量子計算需在接近絕對零度的環境下才能運作，而熱力學計算則能在室溫下利用雜訊完成運算」的洞見。
Extropic已展示第一個原型XTR-0晶片，內含數十個概率位元，結合「現場可程式化閘陣列」(Field-Programmable Gate Array)控制偏壓以調整機率分佈；下一代Z-1晶片預計在2026年推出，規模擴至25萬個概率位元。根據論文模擬，在特定任務上如擴散模型採樣、貝葉斯推斷（Bayesian inference）、機器人導航或氣象預測，其能源消耗可由GPU的幾瓦特降到僅僅微瓦，節能幅度極大。《連線》報導指出，這種熱力學採樣單元可能成為資料中心的潛在破壞者，特別是在如今全球AI訓練電力消耗已相當於中小型國家發電量之際。

這樣的構想為何動人？因為它正面擊中AI的痛點，不確定性與能耗的雙重負擔。生成式模型的運算，本質上充滿機率性，但GPU仍以確定的數位邏輯反覆模擬隨機過程，這在物理上近乎浪費。如果能讓物理上的隨機波動自行「算出」結果，理論上就可節省龐大能源。換句話說，若大腦能靠神經元的微小隨機擾動來思考，那麼，機器為何不能？

然而，從「概念優雅」到真正「工程顛覆」之間，仍隔著數道險關。熱雜訊要能被可靠利用，必須同時具備可重複性與可編程性，每一次熱波動都需要受控輸出，而不是隨溫度漂移。新晶片若要融入現有生態，也必須提供清晰的方法，將現有模型與程式架構映射到硬體上，否則大規模重寫軟體棧（Software stack）的成本可能會抹去任何節能優勢。此外，從良率、製造到長期穩定性，這類晶片仍未經歷資料中心的真實運行考驗。多位評論者也指出，小規模模擬中的萬倍節能，並不能自動外推到龐大、異構、對精度極敏感的生產環境。

因此，更理性的解讀方式是雙重的，一方面，應以開放的熱情看待其潛能，熱力學運算為概率型AI問題提供了一條自然的低能耗途徑；另一方面，應以嚴格的科學態度要求實證，可重複的公開基準、端到端系統測試與長期穩定資料，才是從概念走向突破的真正門檻。

對產業而言，最務實的策略應是雙軌並行，繼續依賴GPU與數位加速器優化能效，同時保留一部分研發資金投注在概率硬體的長期試驗上，政策與監管機構則應推動跨平台的能源效率基準與透明數據，以避免市場被「萬倍」這類尚未驗證的口號所誤導。

或許，有朝一日，若Extropic的構想能在真實負載下穩定運行，那句「不是讓機器跑得更快，而是讓它更像生命」將不再只是科幻式比喻，而是能成為工程公式的一部分，指引著產業通往低能耗、高效率、概率型AI的下一個現實方向。