不用GPU也能生成图像：Un-0用物理振荡器打开AI新路径
训练一次 AI 大模型，耗的电够一个家庭用上好几年。GPT-4 的训练据估计消耗了超过 50 吉瓦时的电力，这还只是冰山一角。当全世界都在追逐更大的模型、更多的参数、更强的算力时，一个根本性的问题浮出水面：这条路在能量上能走多远？
Unconventional AI 给出的答案很直接——不走这条路。他们开源的图像生成模型 Un-0，在 ImageNet 64x64 上跑出了 FID 6.74 的成绩，质量不输当年领先的传统方法。但真正惊人的不是这个数字，而是它跑在什么上面。
不是 GPU，不是 TPU，甚至不是任何数字芯片。Un-0 跑在一个由耦合振荡器构成的物理系统上。
物理计算机：让自然法则替你算
深度神经网络统治了 AI 十年。它们很强大，但也很贪婪——每一层矩阵乘法都在消耗惊人的能量。因为在底层，我们还是在用传统计算机去模拟神经元的行为：把实数搬来搬去，一遍遍地做乘加运算。
物理计算的想法截然不同：别用计算机去模拟物理，直接用物理本身做计算。
想象一下水流总是沿着阻力最小的路径走。如果你把这个问题——寻找最短路径——直接用水流来解，根本不需要算，水自己就找到了答案。这就是物理计算的精髓：把计算问题映射成物理系统的行为，然后让自然法则替你完成最繁重的数学工作。
Un-0 做的就是这个。它把图像生成的过程，变成了一组耦合振荡器的物理演化。
耦合振荡器：钟摆、萤火虫和图像生成
耦合振荡器的概念比你想象的更常见。两座挂在同一面墙上的钟摆，时间久了会开始同步摆动。东南亚的红树林里，成千上万只萤火虫会不约而同地以同一频率闪烁。这就是耦合振荡——简单的物理系统，彼此影响，最终达成某种集体行为。
Un-0 在计算机里（或者未来在真正的物理硬件上）模拟了这样一组振荡器。每个振荡器有自身的频率和相位，它们互相耦合、互相影响。当你给这个系统一个初始条件——相当于输入一个噪声信号——系统就会按照物理规律开始演化。演化到一定程度，振荡器的状态就被读取出来，那正是一张图像。
不需要训练庞大的神经网络权重矩阵，不需要在 GPU 上烧掉几千瓦的电力。物理系统自己”算”出了图像。
一千倍的能效墙
Un-0 的终极目标，是把 AI 的能耗降低一千倍。这不是渐进式的优化——给 GPU 换制程、改进散热——而是计算范式的根本转变。
这背后有一个悠久的思想谱系。神经形态计算试图用物理硬件直接模拟神经元；Hopfield 网络展示了物理系统中的能量景观如何存储和检索记忆；水库计算用随机动力系统做高维映射。Un-0 站在这些肩膀上，但走出了自己的路：用真正的物理振荡器来做生成模型。
当然，今天的 Un-0 还是在传统计算机上模拟振荡器行为。真正的能效飞跃，要等到它跑在真实的物理振荡器阵列上——微机电系统、自旋振荡器、或者光学谐振器。但那一天并不遥远。代码已经开源，权重已经开放，原理已经验证。
如果一条路能效高一千倍，它就不再只是学术 curiosity。
来源：Unconventional AI | Hacker News