在工廠自動化領域打滾多年，我常跟學徒說：別被那些滿屋子的伺服馬達和變頻器嚇到了。無論系統看起來多複雜，拆解到最後，無非就是一連串的「偵測、反饋、調整」。這道理，放在我們今天談的「物理層機器學習」上，其實也是一樣的。我們常認為晶片運算必須靠寫好的軟體，但如果晶片本身就是一個會自動「適應」的生物系統，那會發生什麼事呢？
從根本了解：什麼是物理層的目標函數？
想像一下，我們工廠裡有一套輸送帶系統，如果負載不均，馬達就會發燙。這時候，我們通常會寫一段程式，監測溫度並調整速度。但在「物理層機器學習」的概念中，我們不需要外部電腦去寫這段程式。我們利用的是系統本身的「熱力學熵流」。
熱力學熵，聽起來很嚇人，其實就是系統「混亂程度」的度量。當晶片運算處於一種「邊緣混沌」狀態時，晶片內部的熱分布會呈現特定的模式。我們可以把這種熱分布看作是一個「目標函數」。當系統因為運算而產生廢熱時，這些熱流會在晶片微觀結構中形成一種平衡。如果我們能讓晶片自動透過這些熱流來重構內部的訊號路徑，那就等於晶片自己學會了如何優化運算，根本不需要軟體插手。
拆解複雜現象：熱孤子與自適應網絡
提到熱孤子（Thermal Solitons），這可是個有趣的現象。你可以把它想成是河道中的水波，雖然水流在動，但波形本身卻能維持穩定並向前傳遞。在晶片襯底上，當電流流過產生局部熱效應時，這些熱能量會聚集成類似波的形態，這就是我們說的熱孤子。
為什麼這能拿來做運算？因為這些熱孤子就像是訊號的載體。當我們改變外界輸入的溫度或電壓梯度，熱孤子的移動路徑就會改變。這種變化，實際上就是在改變晶片內部的邏輯連接關係。這種「不需要導線連接」的架構，解決了傳統計算中電阻損耗嚴重的問題。
自動化的進階：邊緣混沌的魅力
我們在控制自動化設備時，常追求「穩定」。但有趣的是，對於這種新型的運算架構，太穩定反而不好。如果系統完全靜止，它就無法產生新的邏輯組合。我們需要的是「邊緣混沌（Edge of Chaos）」。
- 邊緣混沌是系統在完全混亂與高度秩序之間的臨界點。
- 在此狀態下，系統展現出最強的適應力，能快速應對輸入數據的變化。
- 晶片透過監測熱流熵產生速率，自動調整梯度，從而確保運算效率最大化。
邁向 2026 年的物理計算新時代
到了 2026 年，我們對硬體的認識已經從「固定的電路」轉向「動態的流體結構」。把物理層視為計算的一部分，這不僅僅是為了省電，更是為了處理那些傳統架構力不從心的複雜非線性問題。將熱力學熵流作為目標函數，其實就是把自然界的演化規則，直接寫進了晶片的核心裡。
下次當你在工廠看到輸送帶上的感應器自動修正位置時，不妨想想：如果這台機器的每一個金屬分子，都能在熱漲冷縮的過程中進行微小的計算，那我們的工業效率又會提升到什麼境界呢？這，就是未來自動化最迷人的地方。