AI 不一定只能跑在晶片上！德國研究團隊打造「液體電腦」，利用微粒運動完成 AI 運算

【晶片觀測站報導】

當談到人工智慧（AI）運算時，多數人第一時間想到的是 GPU、CPU，或各種 AI 加速晶片。然而，來自德國康斯坦茨大學（University of Konstanz）與斯圖加特大學（University of Stuttgart）的最新研究，展示了一種完全不同的運算概念，讓 AI 不再依賴傳統電子晶片，而是透過液體中的微小粒子完成資訊處理。

研究團隊提出名為「Fluid Computing（液體運算）」的新型計算架構，利用數百顆微米級矽微粒在液體中的動態行為執行 Reservoir Computing（儲備池運算），成功完成混沌系統預測與異常偵測等人工智慧任務，為新世代 AI 硬體帶來全新的研究方向。

一滴液體，如何變成一台電腦？

研究中，科學家將約 400 顆直徑約 6 微米的矽微粒懸浮於特殊液體中，並透過雷射光學鑷子（Optical Tweezers）持續控制粒子的位置。

然而，由於雷射控制存在極短暫的時間延遲，粒子並不會靜止於目標位置，而是持續圍繞目標形成穩定的小型軌道。

更重要的是，每一顆粒子的移動都會改變周圍液體的流場，而液體流動又會影響附近其他粒子的運動，使整個系統形成一個彼此耦合（Coupled）的高度動態網路。

這種複雜且持續變化的物理互動，正是 Reservoir Computing 所需要的「儲備池（Reservoir）」。研究人員只需要讀取整體粒子的運動狀態，再透過簡單的輸出層即可完成 AI 任務，而無須像深度神經網路一樣反覆訓練所有參數。

Reservoir Computing 是什麼？

Reservoir Computing 是近年相當受到關注的一種神經形態運算（Neuromorphic Computing）方法。

與傳統深度學習需要調整大量權重不同，Reservoir Computing 的核心思想，是利用一個本身就具有豐富非線性動態特性的物理系統，將輸入資料映射到更高維度的特徵空間，再由最後一層簡單的線性分類器或回歸模型完成預測。

由於不需要訓練整個網路，因此具有訓練速度快、能源消耗低，以及容易利用各種物理系統實作等優點。

目前全球已有許多不同形式的 Reservoir Computing，包括：

• 光子運算（Photonic Reservoir Computing） • 記憶電阻運算（Memristor Reservoir Computing） • 自旋電子運算（Spintronic Reservoir Computing） • 液體微粒運算（Colloidal Reservoir Computing）

此次研究則首次展示液體中的微粒動態，也能成為 AI 的運算核心。

成功完成混沌預測與異常偵測

研究團隊利用液體運算系統完成兩項經典 AI 任務。

首先是混沌訊號預測（Chaotic Forecasting），透過分析高度非線性的時間序列，預測未來的系統變化。

其次則是異常偵測（Anomaly Detection）。研究中特別設計具有相同平均值、變異數等統計特性的資料，使異常樣本難以透過傳統統計方法辨識。

即使如此，液體運算系統仍成功辨識異常事件，最終取得約 0.90 的 F1 Score，顯示其具有不錯的分類能力，也證明液體動態確實具備處理複雜資訊的潛力。

效能仍落後目前最佳技術

雖然研究成果令人驚艷，但研究團隊也坦言，目前液體運算仍屬於基礎研究階段，整體效能仍落後於目前最成熟的 Reservoir Computing 平台。

以經典 Mackey-Glass 混沌預測測試為例：

• 液體運算平均誤差約為 0.1 • Memristor Reservoir Computing 約為 0.01

代表目前液體系統在預測精度上仍有約十倍差距。

此外，液體運算仍需依賴雷射控制、光學設備與高精度量測系統，距離商業化產品仍有相當長的發展道路。

為何這項研究仍值得關注？

雖然液體運算短期內不可能取代 GPU、CPU 或 AI 加速晶片，但它的重要性並不在於性能，而是在於再次證明了 AI 運算可以建立於完全不同的物理平台。

近年來，全球學術界與產業界都積極探索後矽時代（Post-Silicon Computing）的可能性，希望突破摩爾定律逐漸放緩所帶來的限制。

除了液體運算之外，目前受到高度關注的新型 AI 硬體還包括光學電腦、記憶電阻晶片、自旋電子元件、神經形態晶片以及量子運算等方向。

未來 AI 的競爭，或許將不再只是 GPU 擁有更多電晶體，而是不同物理系統如何以更低能耗、更高效率完成智慧運算。

晶片觀測站觀點

液體運算距離實際商業應用仍有相當長的距離，也無法在短時間內取代 GPU 或現有 AI 加速器。然而，這項研究最大的價值，在於驗證了自然界中的物理系統本身就能成為資訊處理平台。

隨著 AI 模型規模持續擴大，運算成本與能源需求快速增加，未來全球勢必持續尋找新的硬體架構。從光子晶片、記憶電阻到液體運算，各種後矽運算技術都可能成為下一代 AI 基礎設施的重要拼圖。未來的 AI 世界，運算核心未必只存在於矽晶片之中。