要点
- 问题：智能体越能准确预测环境，能耗下限在哪里？这是连接物理学与 AI 的基础问题，直接关系到未来高效智能体的设计边界。
- 成果：Lukas J. Fiderer 等人在《Physical Review X》发表“Information Thermodynamics of Agents”，证明了预测能力与能量效率之间的基本权衡——预测与遗忘通过一个热力学目标函数联系在一起，智能行为存在来自物理定律的内在冲突。
- 意义：今天的计算机远未触及这些基本极限，但这项工作给出了探索高效智能体形态的理论路线图，也为更可持续的 AI 系统研发提供了物理视角。
解读
这篇工作把“智能”放进了热力学的框架：预测得越好，原则上要付的能量代价越大。这不是工程经验，而是有严格证明的下限。对 AI 从业者，它提示了 scaling 之外的另一条优化轴——能效；对物理学家，它把预测、记忆、遗忘这些认知概念变成了可计算的热力学量。
原文链接：Physics model reveals fundamental trade-off between prediction and energy efficiency in intelligent systems，正文为摘要整理，仅供参考。
