从硅基到碱基：仿生计算机求解复杂巨系统问题的范式

1994 年,南加州大学的伦纳德·阿德曼 (Leonard Adleman)——RSA 里那个 A——做了一件让计算机科学界错愕的事:他用一管 DNA 溶液,解出了一个七节点的哈密顿路径问题。这是一个 NP 完全问题的实例。他没有写一行代码,没有用一颗晶体管;他把每座城市、每条航线编码成一段寡核苷酸,倒进试管,让碱基互补配对自发地把所有可能的路径"拼"出来,再用分子生物学手段筛掉不合格的解。计算的过程,就是一管液体里 10¹⁴ 量级的分子 同时 反应的过程。这件事的意义远超那个玩具问题本身:它第一次实证了一种与冯·诺依曼截然不同的计算范式—— 不是让一颗处理器飞快地串行执行指令,而是让物质本身的化学动力学,并行地把答案"长"出来。 从硅基到碱基,换的不是材料,是范式。

冯·诺依曼的墙,与"复杂巨系统"的诅咒

要理解为什么需要换范式,得先看清旧范式卡在哪。冯·诺依曼架构的灵魂是"存储与计算分离":数据待在内存,指令把它搬到 CPU 算完再搬回去。这条总线就是著名的 冯·诺依曼瓶颈 ——今天大模型训练 80% 的能量和时间不是花在乘法上,而是花在搬运数据上。它是一种深刻的串行偏见:无论多少核,本质都是"取指—执行"的有限并行。

这套架构碰到钱学森所说的 "复杂巨系统" 时,会撞上一堵墙。复杂巨系统——一座城市的交通与能源、一片矿区的水土与生态、一团聚变等离子体的湍流、一个金融市场的风险传染、乃至一小块宇宙的演化——有三个共同的诅咒:

对这类问题,硅基超算的做法是"数值积分":把支配方程离散化,在串行(或弱并行)机器上一步步推进。这条路在过去几十年成绩斐然,但它的成本随系统规模超线性增长,且本质上是在 用一种它不擅长的串行结构,去模拟一种本性上大规模并行、空间分布的现实 。范式与对象错配,这才是真正的诅咒。

另一条路:让物理去模拟物理

生化计算提供的,是一种 同构 的解法。它的核心思想可以浓缩成一句话: 不要去数值地"计算"一个系统,而要在物质里"搭建"一个与它同构的系统,让后者的自然演化直接给出答案。 这其实是模拟计算 (analog computing) 最古老的智慧——风洞之于流体力学,远比当年的数值仿真直接;只不过生化计算把这个思想推到了分子尺度,并继承了化学反应的两个硅基永远给不起的禀赋。

第一个禀赋是 真正的物理并行 。一摩尔物质有 6×10²³ 个分子。当你让一管溶液反应,你不是在调度 10²³ 个"线程"——根本没有调度,所有分子在同一瞬间、依同一套规则、彼此独立又彼此作用地演化。这是一种 免调度、零总线 的并行,冯·诺依曼瓶颈在此处不存在,因为存储与计算压根没有分开:每个分子既是数据又是处理器。阿德曼的试管里同时存在着指数多条候选路径,这正是 NP 问题最渴望的东西。

第二个禀赋是 空间结构的天然承载 。复杂巨系统大多是空间分布的,而元胞自动机 (cellular automaton) 早已被证明是描述这类系统最自然的语言:用简单的局部规则,在格点上涌现出全局复杂行为——交通流、流行病扩散、晶体生长、星系成团,都能被元胞自动机优雅地捕捉。探针计算机 CubeTrain™ 的设计正落在这条线上:一个 43×43×43 的三维元胞自动机,1849 条高速轨道,每个元胞用 A/T/C/G 编码,邻域取前后左右上下 6 邻 (r=1),演化规则就是碱基互补配对函数。 这是一块物理的、三维的、可重构的元胞自动机基底——它不是在"算"一个空间系统的方程,它本身就是一个空间系统。

把这两点合起来,范式的轮廓就清楚了:复杂巨系统的两大难点——指数组态和空间耦合——恰好对上了生化计算的两大禀赋——分子级海量并行和三维元胞结构。这不是巧合,是"用生命的计算方式去算生命级别的系统"这一思路的自然结论。需要诚实指出的是:阿德曼的实验、DNA 存储、分子并行,这些是 已被同行验证的科学事实 ;而 CubeTrain™、KiloWorld™ 这套完整的三维生化处理器,目前是 探针实验室工程在建的体系 ,其"一周算力≈电子计算机问世以来总和"是 愿景式的目标量级 ,不应被当成实测。范式的方向有硬科学背书,具体产品的兑现仍在路上——这两件事要分开看。

三类问题,三种契合度

范式的价值要落到具体问题上才算数。生化计算并非万能 CPU,它有清晰的"舒适区",大致分三层:

而它的"非舒适区"同样必须讲清楚,否则就是不诚实。生化计算 不适合低时延的串行控制、高精度的实时反馈、以及频繁的小批量随机读写 ——一次反应以分钟到小时计,读出还要经过扩增检测的"读出墙"。所以理性的判断不是"碱基取代硅基",而是 异构协同 :硅基继续做低时延的控制与交互前端,生化基底做它最擅长的海量并行搜索、空间仿真与冷存储;两者之间隔着 PCR 电磁寻址、混合微电极阵列、MARJAR™ 微流控这类 I/O 桥梁。决定这套范式商业成败的,从来不是分子算得有多猛,而是这道"读出墙"能拆到多薄。

反方观点:DNA 计算被唱衰过,凭什么这次不同

必须正视一段历史。阿德曼之后的十年,DNA 计算热过又冷过。冷下来的理由很硬:他的暴力枚举法,所需的 DNA 物质量随问题规模 指数增长 ——解一个稍大的问题就要一游泳池的溶液;错误率、解读耗时、缺乏可编程的通用性,都让它停在了实验室奇观的位置。任何严肃的评估都得回答:这次凭什么不同?

诚实的回答有三条,且都带保留。其一,范式重心变了:从"用 DNA 做通用图灵机"(注定打不过硅)转向"用三维元胞自动机基底做特定结构的物理仿真与并行搜索"——扬长避短,而非正面硬刚。其二,使能技术变了:3D 光刻、微流控液滴寻址、微电极阵列、动态可重构寻址,这些在 1994 年还不存在的工具,正是用来攻"读出墙"和"可编程性"这两个当年的死穴。其三,需求变了:今天复杂巨系统治理、超大规模仿真、长期存储的真实需求,以及硅基逼近物理极限带来的能效焦虑,给了非冯·诺依曼范式一个它当年没有的市场窗口。

但保留也得说满:上述三条里,第二条仍处于工程验证阶段,谁也不能保证读出墙一定能拆到经济可行的厚度。所以正确的姿态是"方向性看多、兑现性存疑"——这正是一个真研究实验室该有的克制,而不是把愿景当捷报。

判断:这是一次计算"地基"的更换

把视角拉远,从硅基到碱基的真正含义,不是换了一种更快的芯片,而是 把计算的物理地基,从"少数载流子的高速串行开关"换成"海量分子的近平衡并行演化" 。冯·诺依曼范式在过去七十年把人类带到了今天,但它面对复杂巨系统时的结构性错配——串行去模拟并行、分离去模拟耦合——已是天花板可见。生化计算之所以值得押注,不是因为它在旧赛道上更快,而是因为它在 一条与现实同构的新赛道上重新开赛 :让物理去模拟物理,让生命的计算方式去计算生命级别的系统。

最反直觉、也最值得记住的一点是: 人类最强的计算机,可能不长得像计算机,而长得像一管会自己反应的溶液。 它慢、它"脏"、它需要等待,但它在维度上不设防——当问题的本质是 10²³ 个东西同时发生,唯一不输在起跑线上的,是同样用 10²³ 个东西去回应它的机器。探针实验室赌的,正是这条范式;能不能兑现,要看读出墙;但方向,值得认真对待。