Normal Computing
顺应热噪声，而非对抗它

Normal Computing 2022 年成立，总部在美国（多地），并在伦敦设立面向英国 ARIA（先进研究与发明局）资助项目的团队。创始人 Faris Sbahi、Matthias Tan、Antonio Martinez 分别来自 Google Brain、Google X、Palantir；Chief Scientist Patrick Coles 主导理论架构，Staff Research Scientist Gavin Crooks 是"以噪声为资源"理论的奠基人之一，这一理论是公司全部技术路线的基础。

核心主张是"物理学原生计算"（Physics-Native Computing）：GPU 的本质是用大量能量压制热噪声以维持确定性运算，Normal 的反向思路是把热噪声当作计算资源，让随机物理过程直接执行原本需要大量矩阵运算的采样任务。这不是工程优化，而是换了一套能效公式。

融资总额 $85M+：其中 $50M 战略轮由 Samsung Catalyst Fund 于 2025 年领投，另获英国 ARIA 政府拨款及早期融资。三星是全球最大芯片制造商之一，这笔投资不是财务套利，而是对冲新型计算架构崛起风险的主动布局。

2025 年 8 月，Normal Computing 完成 CN101 的 Tape-out（流片）——世界首款面向商业应用的热力学芯片，专门针对扩散模型推理任务。它不使用传统冯诺依曼架构，而是直接利用热力学随机过程执行采样，省去 GPU"矩阵乘法 → 概率向量 → 采样"链路及其对应能耗。

芯片路线图对准扩散模型的三个分辨率层次：CN101 面向标准图像扩散，CN201 面向高清扩散，CN301 面向视频扩散模型——这三个市场恰好是当前 AI 推理能耗最集中的场景。CN101 已完成 Tape-out，CN201、CN301 仍在路线图阶段。

理论基础来自 Gavin Crooks 的"以噪声为资源"（Noise as Resource）理论：热力学第二定律规定了信息处理的能量代价，但顺应热力学而非对抗它，可以让随机热噪声直接成为计算资源。公司声称的目标量级是把扩散模型推理能效比 NVIDIA H100 基准提升 1000 倍，这是公司自述的目标，并非量产硬件的实测数据。

2025 年 Samsung Catalyst Fund 领投的 $50M 战略轮，是这条技术路线迄今最有力的产业界背书——三星不需要 Normal 的财务回报来覆盖成本，它投资的是在新型计算架构崛起时不被打个措手不及的战略期权。

GPU 能效提升已进入物理墙，NVIDIA 每代产品的能效增益在递减。热力学计算从根本上更换了能效公式，而不是优化同一条曲线——这更接近晶体管相对真空管的关系：不是改良，是不同的器件原理。

Extropic（同一赛道的另一家实验室）做理论基础研究，Normal 做流片量产——两家公司的并行存在说明热力学计算赛道正从学术阶段走向产业阶段，工程门槛也远低于量子计算：室温运行，标准 CMOS 工艺。

最大的具体风险是时机：CN101 精准瞄准扩散模型推理场景，但如果图像/视频生成的主流范式在 CN101 真正量产前发生根本性转变（例如转向自回归方法或全新架构），第一代产品将面临市场窗口缩短的压力。这不否定热力学计算的长期价值，而是 CN 系列当前版本的具体风险。