那块可能解锁 AGI 的芯片
摘要
Naveen Rao 的核心判断是，AI 面临的能源墙需要改变计算机，而不是只把今天的架构继续做大。 他说，美国数据中心已经消耗全国电网约4%的电力，而一些估算认为，未来10年还需要新增400 GW。瓶颈正变成物理问题：“当前范式尽管已经足够优秀、也把我们带到了今天，但无法把我们带到那个水平。”
Unconventional AI 的起点是物理学习理论，而不是传统芯片路线图。 Rao 希望使用自身动力学就能执行有用智能的电路，而不是依赖多层数字抽象：Bornstein 将这一想法概括为“智能就是物理学”（“Intelligence is the physics”），Rao 表示认同。人脑功耗约20瓦，而松鼠或猫可能只需约0.1瓦——如此巨大的效率差距，足以让人重新审视第一性原理。
模拟计算并非要取代数字计算，而是针对可能受益于物理动力学的随机、随时间变化的工作负载。 Rao 关注扩散模型、流模型和能量模型，因为它们的动力学可以写成常微分方程，并有可能映射到物理系统上。他的目标是打造与传统计算并行的“智能基底”，对需要精度的问题仍保留数字计算。
Rao 认为动力学可能补上当前 AI 缺失的因果性，但他反复称 AGI 这一论证“很不严谨”。 他的直觉是，由具有真实时间演化的元素构成的系统，比那些基础中不包含这类动力学的系统，更有可能理解因果关系。他说，今天的模型已经包含智能、也非常有用，但距离 AGI“还差得远”（“nowhere close to AGI”），因为它们仍会犯基础错误，也还不像是在与一个人共事。
商业化的检验标准，是 Unconventional 能否在5年内找到一种类似智能的物理范式，并实现大规模量产。 Rao 认为，TSMC 将是原型开发和最终规模化所必需的合作伙伴；他判断 Google 拥有完整的内部能力，正围绕 TPU 持续进行低风险改进，而 Nvidia 已经建立起占据主导地位的编程平台。Unconventional 正试图构建“比矩阵乘法更好的基底”，但 Rao 没有预设双方必然直接竞争，也为合作留下空间。
执行风险极高，但 Rao 认为这不是一次盲目跳跃，而是有多项局部验证支撑。 人脑提供了存在性证明，超过40年的学术研究显示出这一方向的潜力，动力系统和神经科学理论则提供了工程师可以组合并“打磨”的零件。首个原型可能是规模最大的模拟芯片之一，甚至可能是有史以来最大的模拟芯片，因此，理论、系统、算法、模拟电路和数字电路等领域的人才都构成这一命题的核心。
精读
1. 公司从物理学习出发，而不是从芯片规格出发
Rao 立即纠正了这个前提：Unconventional 严格说“并不是一家芯片公司”（“not a chip company per se”）。公司的起步工作是理论研究——从第一性原理追问学习如何在物理系统中发生——因为他认为，基本未变、已有80年历史的计算架构可以被重新设计。
从无线硬件和实时视频压缩，到神经科学博士，再到 Nervana、MosaicML 和 Databricks，Rao 的经历让跨越边界变得顺理成章。在 Rao 过去的定义里，真正的全栈工程师需要理解硅器件、逻辑、架构、底层软件、操作系统和应用，而不只是 JavaScript 和 Python。
因此，硬件和软件对他而言并不是天然边界；边界只存在于人们选择在哪里划线、哪些东西由自己配置。核心问题是，一项能力最终会在哪里被消耗，然后再让解决方案与问题的规模相匹配。
2. 数字计算赢在可扩展性，模拟计算保留效率优势
数字计算机用固定比特表示数字，以精度误差换取一台能够模拟所有可用算术表达的问题的通用机器。早期模拟系统效率很高，却因制造波动无法规模化；真空管可以可靠地表示高电平或低电平，即便其中间状态难以准确刻画。
Bornstein 将1945年 ENIAC 使用的18,000根真空管，与一些大规模训练系统所使用的 GPU 数量作比较。
风洞体现了另一种路径。工程师不再通过数值方法近似流体动力学、始终留下误差，而是搭建一个物理模拟体，让底层物理规律直接对过程进行建模。
智能可能尤其适合这种模式：神经网络具有随机性和分布式特征，但今天运行在精确、确定性的计算基底上。人脑也展示了一个惊人的效率目标：人脑功耗约20瓦，而松鼠或猫可能只需约0.1瓦。
Bornstein 用“智能就是物理学”（“Intelligence is the physics”）概括生物学上的一面；Rao 表示认同，并解释说，神经动力学直接由化学扩散和神经元的物理属性介导，中间没有操作系统或 API 将计算与物质隔开。
3. 能源稀缺让架构效率成为硬约束
Rao 说，美国拥有全球约50%的数据中心容量，数据中心约占其电网用电量4%。他补充称，2025年夏季，美国西南部开始出现关于停电的新闻报道；如果这一比例升至8%或10%，约束将明显恶化。
发电能力可以扩张，但基础设施昂贵且建设缓慢。Rao 援引的估算显示，未来10年需要新增400 GW 电力容量，而当前扩张速度“每年大约4 GW”；Bornstein 补充说，即便发电量足够，也可能压垮主要建于1970年代的输电电网。
Bornstein 将这一努力描述为人类调动“物种级资源”来发明未来。Rao 说，随之而来的供给缺口意味着必须重新思考问题，同时也主张继续建设更多发电能力。
Rao 拒绝将问题简化为数字与模拟二选一。数字计算仍适合确定性的数值问题；模拟动力学则可能适合跨多个输入进行检索和总结，形成补充传统计算的智能基底。
4. 物理动力学可能在接纳复杂现实的同时保留精度
Bornstein 讲述了一个故事：Steph Curry 曾搭建特殊的追踪系统，以确认篮球击中的是篮筐中央，而不只是最终穿过篮筐。但在比赛中，位置、防守球员、球鞋、场地、篮球的黏性以及出汗的双手，会让每一次输入都独一无二。
大脑能够整合这些变量，同时产生极其精准的行为。这种“模糊、分布式输入产生精确行动”的组合，正是 Rao 希望智能物理基底能够处理的问题类型。
Unconventional 会从当前的模型家族出发，而不是将它们全部抛弃。扩散模型、流模型和能量模型尤其值得关注，因为它们包含动力学，有时可以表示为常微分方程，并可能映射到物理电路的时间演化。
Transformer 仍然有价值，因为它们让 GPU 的计算构件发挥出了极高效率，但 Rao 认为，其参数化方式“没有自然法则”可言。他预计 Transformer 参数空间与其他参数空间之间可以相互映射，认为 Transformer 可能只是依靠“海量参数”来获得结果。
5. 时间与因果性是通往 AGI 的推测性桥梁
当被问及这一路径是否能推动 AGI 时，Rao 的回答刻意保留余地：“坦白说，我确实认为会”，紧接着又说“这说法很不严谨”（“this is hand wavy”）。他的直觉是，一个包含时间和因果性的基础，可能优于不具备这类动力学、或只在数值层面表示时间的基础。
Bornstein 指出，数学系统往往可以在时间上逆向运行，而物理世界至少在人类的感知中通常并非如此。Rao 认为，从拥有真实时间演化的基本单元出发构建系统，可能会产生真正理解因果关系的系统。
Rao 从幼儿身上看到了一条存在性线索：幼儿似乎理解事件会以因果方式展开，而人们也知道，向手臂发出某个特定指令，就会产生某种特定动作。他猜测，大脑天生由因果性基本单元构成，但没有声称自己知道其中的具体机制。
当前机器已经拥有智能，也能提供有用工具，但 Rao 说它们“距离 AGI 还差得远”（“nowhere close to AGI”）。它们仍会犯“愚蠢的错误”（“stupid errors”），人与其互动也还不像是在和另一个人共事。
6. 制造规模与组织广度决定理论能否兑现
Rao 设定了两个里程碑：5年内找到一种类似智能的范式，然后在这一期限内从制造角度实现规模化。如果无法制造10 million 个器件，这项技术就无法解决全球能源问题。
因此，TSMC“绝对会成为合作伙伴”。Rao 说，Google 拥有完整的内部能力；根据他能从公开信息看到的情况，Google 正围绕 TPU 持续进行低风险改进，以服务自身业务。Nvidia 已经建立了所有人都在其上编程的平台；Rao 无法判断 Nvidia 最终会成为竞争对手还是合作伙伴，只能确定 Unconventional 想要的是“比矩阵乘法更好的基底”。
他的信心来自人脑这一存在性证明、超过40年的学术研究、研究人员制造的概念验证器件，以及来自神经科学和动力系统的持续发展理论。伟大的工程，最终就是把不完美的零件组合起来：正如 Bornstein 所说，“这个东西不太合适——把它磨一下，做到合适为止。”
最初几年，公司会以实践型研究实验室的方式运作：先证明一个想法可行，再让制造方面的顾虑关上大门。Rao 预计组建一支混合信号团队，成员覆盖理论研究者、模型专家、系统架构师，以及模拟和数字电路工程师。首个原型可能是规模最大的模拟芯片之一，甚至可能是有史以来最大的模拟芯片。
Rao 偏好早期创业公司式的广泛职责和高自主权文化，因为狭窄的专业分工可能难以适应变化。领导者应提升组织的自主性，在人们对某种路径充满热情时为其让路；每个人都应对好结果和坏结果负责，包括承认：“好吧，我搞砸了。”他的动力来自这样一种信念：改变计算机，可以让 AI 无处不在。他“完全不是 AI 悲观主义者”（“the opposite of an AI doomer”），并将 AI 视为人类的下一次进化。如果 Unconventional 成功，他说，“这个世界很长一段时间都不会忘记这件事。”