导言：一个反直觉的宇宙法则
如果你开车从 40km/h 加速到 80km/h，你的油耗会变成原来的几倍？直觉往往会欺骗我们：速度翻倍，能量似乎也该翻倍。但物理学给出的答案冷酷而坚决：4倍。这就是著名的动能公式 $E_k = \frac{1}{2}mv^2$ 所揭示的真理——动能与速度呈平方关系，而非线性。
这个看似简单的平方律，曾让无数初学物理的人感到困惑。为什么是 $v^2$ 而不是 $v$？作为深耕技术前沿的探索者，我们不仅要从经典力学中寻找答案，更要将视角拉升至信息论与复杂系统的维度。你会发现，这个物理学的“平方律”，竟然与今天大模型（LLM）背后的算力法则、甚至云计算的扩展瓶颈，有着令人惊叹的同构性。
深度拆解：为何必须是平方？
1. 空间与时间的博弈：从做功定义出发
最严谨的解释藏在微积分的底层逻辑里。动能的变化量等于合外力做的功（Work-Energy Theorem）： $$dE = F \cdot dx$$
代入牛顿第二定律 $F = m \cdot a = m \cdot \frac{dv}{dt}$，我们得到： $$dE = m \cdot \frac{dv}{dt} \cdot dx = m \cdot \frac{dx}{dt} \cdot dv = m \cdot v \cdot dv$$
对上式积分： $$E = \int m \cdot v , dv = \frac{1}{2}mv^2$$
洞察： 那个多出来的 $v$，本质上是速度在空间上的累积（$\frac{dx}{dt}$）。力在时间上持续加速物体（产生 $dv$），但这个力必须在物体已经拥有的速度（$v$）下继续推着它走过一段距离（$dx$）。速度越快，相同时间内走过的距离越长，力做功的“舞台”就越大，因此能量必须以速度的平方级增长。
2. 伽利略不变性与能量守恒的必然
如果动能是线性的（$E \propto mv$），我们的宇宙将陷入逻辑崩塌。假设在一个以速度 $u$ 运动的参考系中，物体的动能线性叠加，那么不同参考系观察到的能量转化将无法自洽。
平方律是唯一能满足伽利略相对性原理的数学形式。当两个物体发生完全非弹性碰撞时，只有动能是 $v^2$ 的形式，才能保证在任意惯性参考系下，动量守恒与能量转化方程同时成立。那个看似多余的平方，是维持宇宙宏观物理法则在不同观测者眼中一致性的“定海神针”。
3. 信息论视角：状态空间与不确定性
从信息论的视角看，速度表征了系统状态的改变率。如果我们将物体的运动视为一种信息流，速度 $v$ 越大，系统在单位时间内扫过的微观状态空间就越大。
在香农信息熵和统计力学中，系统可能状态数的对数决定了能量。速度的平方关系，本质上对应着系统在相空间（Phase Space，位置 $x$ 与动量 $p=mv$ 构成的空间）中轨迹扫过的面积。二维相空间的面积自然与 $v^2$ 成正比。动能的平方律，正是系统微观状态数呈平方级扩张的热力学体现。
跨界映射：动能平方律与 AI 算力法则的同构
技术演进往往遵循着相似的深层法则。当我们把目光从牛顿力学转向当今大模型与云计算的算力战场，会发现“平方律”的幽灵依然在徘徊。
大模型推理的“算力动能”
在大语言模型（LLM）的推理阶段，计算量（FLOPs）与上下文长度（Sequence Length, $L$）的关系，完美复刻了动能的平方律。
在标准的 Transformer 架构中，Self-Attention 机制的计算复杂度为 $O(L^2)$。为什么？
# Transformer Self-Attention 核心计算伪代码
# Q, K, V: [batch_size, seq_len, d_model]
# Attention Scores 计算：每个 token 都需要和所有其他 token 计算点积
attention_scores = torch.matmul(Q, K.transpose(-2, -1)) / math.sqrt(d_model)如代码所示，当序列长度从 1K 扩展到 100K（速度 $v$ 翻 100 倍），计算量不是增加 100 倍，而是 $100^2 = 10000$ 倍！这与动能平方律的底层逻辑如出一辙：在空间中，力需要作用于更长的距离（$dx$）；在注意力机制中，每个新增的 token 都需要与已有的所有 token 建立全局映射关系。 状态空间的相互交织，必然导致复杂度的平方级膨胀。
分布式云系统的扩展瓶颈
在云计算领域，微服务架构中的节点通信同样遵循类似的非线性法则。在一个全互联的集群中，如果节点数为 $N$，节点间的潜在通信链路数为 $\frac{N(N-1)}{2}$，近似为 $O(N^2)$。当你试图线性提升系统的处理速度（增加节点），系统内部用于维持状态一致性和通信的“内耗能量”却以平方级飙升，最终导致系统崩溃。这也是为什么分布式系统存在无法逾越的扩展墙。
总结与未来展望
动能为何与速度呈平方关系？这不仅是一个物理问题，更是一个关于系统演化的哲学命题。无论是宏观物体的加速、大模型长上下文的推理，还是分布式网络的扩展，“线性投入换取线性回报”只存在于最简单的理想模型中。一旦系统要素之间产生全局性的深度交互（力在空间上的累积、Token间的注意力、节点间的通信），平方律甚至更高阶的非线性律就会接管战场。
面向未来，前沿技术正在努力对抗或利用这种非线性：
- AI 领域的“破局”：从 FlashAttention 到线性注意力机制（Linear Attention）和 Mamba 等状态空间模型（SSM），本质上都是在试图打破 $O(L^2)$ 的“动能魔咒”，将平方关系降维至线性 $O(L)$，从而让大模型在处理无限长上下文时不再受制于算力的平方级爆炸。
- 量子计算与新型拓扑：在量子态的演化中，相干性的保持同样面临非线性衰减。理解能量与状态的平方律，有助于我们在更底层的物理机制上设计容错量子计算架构。
宇宙的底层逻辑是冷酷的非线性，而人类技术的演进史，就是一部不断在非线性约束中寻找线性突破口的历史。敬畏平方律，正是我们迈向更高维度技术文明的起点。
本文由 NVIDIA API Catalog 托管的 z-ai/glm-5.1 模型自动撰写并生成发布。