在过去的十多年里，以 GPU 为核心的数字计算统治了 AI 领域，更大的集群、更高的带宽、更强的 GPU、更密集的数据中心，似乎是通向下一代 AI 的主流路径。

可随着模型参数量迈向万亿级，行业开始频繁提及「能耗」一词，甚至一个更为底层的问题也随之而来：如果 AI 继续按现有方式扩张，电从哪里来？

无疑，AI 「电费账单」与能源消耗，已逐步从运营成本演变为制约整个行业发展的「结构性瓶颈」。

面对这一迫在眉睫的能源危机，前 Databricks AI 负责人、硅谷传奇创业者 Naveen Rao 带着他的全新硬科技初创公司 Unconventional AI 走到了聚光灯下。

今日，Unconventional AI 官宣发布它的第一个模型 Un-0，一个由「模拟耦合振子系统」驱动的图像生成模型，可以看作是一种新兴物理计算底座的样例。在 ImageNet 64×64 上，Un-0 达到 FID 6.74，质量已经接近一些主流传统图像生成方法刚发布时的水平。

Naveen Rao 称其是「第一个以物理作为计算原语构建的大规模生成模型」。

「这标志着基于物理的模型迎来了一个『Hello World』时刻。我们利用物理系统天然随时间变化的行为，让它替我们完成计算。最终结果是一种全新的计算机构建方式，并且有望在能效上实现大幅提升。」

甚至，在接受媒体采访时，Naveen Rao 给出了一个更为大胆的「小目标」：未来，或将 AI 推理能耗降低到现有系统的千分之一。

Un-0 生成过程随时间演化的轨迹样本。每条线的颜色都对应一个颜色相近的方框，方框中标注了类别，并展示了该类别图像随时间逐步生成的过程。

官方发布了一篇博客来介绍 Un-0，接下来具体了解一下。

Un-0 的出发点：用物理系统重做 AI 计算

Unconventional AI 表示，他们的目标是构建一种新型计算机，让它利用物理规律完成计算，希望未来现代 AI 可以在远低于今天机器能耗的情况下运行，目标大约是降低 1000 倍能耗。

因此，他们提出了一个问题：能不能训练一个物理动力系统，让它在规模化任务上生成图像？

如今，最强的 AI 模型基本都是传统深度网络，尤其是以 Transformer 为骨干的模型。但在主流路线之外，长期以来也有很多研究试图借助物理系统的动态行为来提高能效，比如模拟电路中的噪声、时间变化、电压和电流等。这类方法不是用传统数字数值进行计算，而是利用物理系统自己的演化过程。

比如神经形态计算、Hopfield 网络以及 Reservoir Computing 等，以及近年发展出的 Hamiltonian Networks、Liquid Networks、Neural Wave Machines、Thermodynamic Computing，以及 Kuramoto Oscillators 等。

Un-0 就是在这些非传统计算路径上的一次新尝试。但核心难点在于：要想利用这些替代计算方式，AI 任务必须被有效映射到物理系统的动态过程里。 Un-0 想验证的就是，现代 AI 工作负载是否可以被放到物理底座上运行，并最终比今天的硬件更高效。

Un-0 的工作原理

官方表示，可以想象两个节拍器并排滴答作响，如下图所示。

每个节拍器在任意时刻都有一个「相位」，也就是摆臂当前处在摆动周期里的位置。如果两个节拍器放在同一张桌子上，它们会通过桌面彼此影响。根据相互作用强弱，也就是耦合强度，它们可能逐渐同步，也可能进入相反相位的同步状态。

这就是振子的基本概念：每个振子都有自己的相位，并且倾向于按照自身频率旋转，但同时会受到邻近振子的影响。

而如果把两个振子扩展到几千个振子，整个系统就会变得更有意思。大量振子之间存在不同强度的耦合关系，它们会通过相互作用自组织成某种模式，如下图所示。

Un-0 的计算引擎就是这样一个大规模振子群，振子之间的耦合强度是模型最主要的可学习参数。

这些耦合振子通常被建模为「Kuramoto 振子」。

具体来说，每个振子的运动都遵循一条简单规则，并且这条规则会随着时间连续生效：它一方面按照自身的自然频率旋转，另一方面又会受到其他所有振子的牵引而发生偏移。

下面这个常微分方程（ODE）描述的，就是这些振子随时间演化的过程：

每个振子 i 都带有一个相位

∈[0,2π)，其中

表示它的自然频率。矩阵

则指定了耦合强度，用来决定振子 j 会以多大力度将振子 i 拉向同步状态，或推离同步状态。

Un-0 需要学习的，正是耦合矩阵 K 和自然频率 ω，这些参数共同定义了物理系统本身。

而之所以选择振子，Unconventional AI 给出了两个理由：

• 第一个理由来自大脑：大脑中广泛存在节律活动和同步现象，长期以来，人们认为这些现象可能参与了计算过程，比如把分散的特征绑定成一个连贯的感知结果、控制脑区之间的信息交流、组织神经脉冲的时间结构等。耦合振子是描述这类行为最简单的数学模型之一，因此自然适合作为神经启发式计算模型的基础单元。
• 第二个理由更为工程化：振子可以被实现为一种物理电路原语。Unconventional AI 认为，可以在 CMOS 或其他物理底座上直接实现耦合振子系统，让系统的物理行为本身计算动力学演化。

Un-0 背后的赌注就是：如果物理规律可以直接计算 AI 工作负载，那么未来的执行底座就可能和今天的 GPU 非常不同。

Un-0 的模型架构

Un-0 生成一张图像，大致分为五步：

• 随机初始化：将所有振荡器的相位设置为随机角度（类似于扩散模型中的随机噪声）；
• 输入类别引导：用一组较小的「条件振荡器」输入类别标签（如「火山」「雏菊」），引导主体振荡器集群向特定方向演化；
• 让物理自然运行：释放系统，让振荡器在物理动力学的作用下相互拉扯、演化，并最终稳定下来；
• 捕捉快照：在特定时间 T 记录所有振荡器的相位，形成一个隐空间（Latent）数字网格；
• 渲染像素：通过一个只占模型不到 13% 参数量的传统解码器，将相位网格转化为最终的图像像素。

耦合振子在训练得到的耦合关系作用下随时间演化。其中，条件振子到主振子池之间存在一个单向的低秩类别条件矩阵，用于注入类别信息。在时间点  T ，系统通过一个解码器读取振子状态，并生成图像。通过多次采样不同的初始条件，就可以生成对应的图像分布。

训练过程中，模型主要学习三类参数：振子之间如何耦合，也就是矩阵 K；每个振子的自然频率

；以及解码器的权重。整体上，振子系统承担了原本可能由传统神经网络层完成的计算。

Unconventional AI 解释，之所以选择这种架构，是为了让动力系统本身有最大自由度来完成计算。

在训练的前向传播里，模型只需要设置耦合矩阵、振子频率和初始相位，然后让动力系统演化，最后读取图像潜变量。

这和扩散模型、Flow Matching 等动态生成方法有所不同，扩散和 Flow Matching 通常会在训练过程中显式指导动力系统如何演化，而 Un-0 的方法更像是只看最终生成样本，再通过损失函数反过来优化整个动力系统。

代价是，它需要一种更复杂的损失函数，因为训练信号主要来自生成样本本身。

如何训练 Un-0？

Unconventional AI 在 CIFAR-10 和 ImageNet 64×64 上分别训练了三种规模的模型，结果如下：

在 CIFAR-10 上的训练结果

在 ImageNet 64×64 的训练结果

从结果看，随着振子数量增加，模型 FID 评分持续改善。最大 ImageNet 64×64 模型使用 16384 个振子，总参数约 3.22 亿，FID 达到 6.74。

在训练方法上，使用了一种新提出的「漂移损失」（Drifting Loss）函数，配合 DINOv2 特征提取器和 AdamW 优化器进行端到端训练。

评测方面，CIFAR-10 使用 5 万张生成样本，并用标准包和评测流程与 CIFAR-10 参考统计进行比较；ImageNet 64×64 同样使用 5 万张生成样本，并通过 ADM evaluation suite 计算 FID。

算力方面，所有 CIFAR-10 模型在 1 张 B200 GPU 上训练，而所有 ImageNet 64×64 模型则在 8 张 B200 GPU 上训练。最大 CIFAR-10 模型训练消耗 20 个 B200 小时，最大 ImageNet 64×64 模型训练消耗 640 个 B200 小时。

官方表示，训练瓶颈主要来自「漂移损失」函数的计算，因为它需要使用传统图像特征提取器，并在多个特征视图上计算。

Un-0 在图像生成领域处在什么位置？

为了更好展现 Un-0 的性能表现，Unconventional AI 把 Un-0 放在「生成质量 vs 参数数量」的曲线上，与传统模型和非传统模型进行比较。

CIFAR-10 数据集中的参数数量与 FID 值的对应关系

在 64×64 尺寸的图像中，参数数量与 FID 值的对应关系

结论是：Un-0 的质量已经可以和一些早期传统生成器相当，甚至在某些对比中更好，比如 NCSN、DCGAN-TTUR、WGAN-GP、BigGAN、iDDPM、Consistency Models、TRACT 等。但它仍然落后于后来的高性能传统模型，比如 EDM 和 GDD。

换句话说，Un-0 不是当前最强的图像生成模型，它更像是一个新路线的起点：其表现已经接近多个经典生成模型刚被提出时的水平，但要追上传统路线的最新前沿，还需要算法、架构和物理原语层面的持续优化。

从整体上来看，Un-0 证明了利用物理动力学系统进行现代 AI 大规模图像生成的可行性。虽然目前在软件模拟下的性能还未达到常规 AI 的顶峰，但它为未来实现千倍能效比的「非传统 AI 硬件」开辟了一条充满希望的道路……

而 Naveen Rao 也强调，Un-0 的出现，说明「计算并不是人类独有的发明。」它存在于自然与物理世界的各个角落。所有物理实体的物理过程都包含时间维度，但今天的计算系统却没有真正利用这一点。

「我们正在开发的，正是这个时间维度。」

而这和能效的关系在于，在现有冯・诺依曼架构机器中，大部分能量都消耗在内存与计算单元之间的信息搬运上，动力系统则把计算和记忆合并到同一个实体之中。更重要的是，动力系统可以容忍噪声，这进一步打开了节省通信能耗的新机会。

Un-0 代表着计算范式向动力系统转变迈出的重要第一步。「通过这次模型发布，我们正在把智能与动力学连接起来。」对于 AI 计算而言，动力学是一种天然的表达框架，神经网络本质上也可以看作动力系统，因此二者之间的映射会更加直接。

「大脑里并没有线性代数这种抽象，所以某种意义上，我们是在绕过中间环节。」

而在贴文下面，很多网友也表示了期待。

「实际上，这种性能效率的提升非常巨大。如果这种技术能够得到广泛应用，那么很多在本地运行的应用程序都可能变得可行起来。」

「如果这种技术能够上市的话，那真是一项极其先进的脑科技啊。」

参考链接：

https://x.com/NaveenGRao/status/2070184079199494583

https://unconv.ai/blog/introducing-un-0-generating-images-with-coupled-oscillators/

https://techcrunch.com/2026/06/25/databricks-former-ai-chief-thinks-he-can-cut-ais-power-bill-by-1000x/

本文来自微信公众号 “机器之心”（ID：almosthuman2014），作者：关注AI的