On yıldır GPU'larda derin sinir ağlarının çalıştırılması, yapay zekanın nasıl oluşturulduğunu tanımladı. Geleneksel Olmayan Yapay Zeka adlı bir girişim, verimlilikteki bir sonraki sıçramanın temelde farklı türde bir bilgisayar gerektireceğini, fizik yasalarının hesaplamayı doğrudan yaptığı bir bilgisayar gerektireceğini öne sürüyor.
25 Haziran 2026'da şirket, simüle edilmiş bir bağlı osilatör sistemi tarafından desteklenen bir görüntü oluşturucu olan Un-0'ı piyasaya sürdü. Geleneksel olmayan yapay zeka, projeyi yeni ortaya çıkan "fiziksel bilgi işlem alt katmanının" bir gösterimi olarak tanımlıyor ve model ağırlıklarını, eğitim kodunu ve ablasyon analizini açıkça yayınlıyor. For more context on this story, see our ongoing artificial intelligence updates.
Sürüm, geliştirici topluluğunun dikkatini hızla çekti, Hacker News'in ön sayfasına ulaştı ve GPU ve transformatör statükosuna alternatiflerin gerçekçi bir şekilde rekabet edip edemeyeceği konusunda tartışmayı ateşledi.
Geleneksel görüntü oluşturmayı lansman kalitesiyle eşleştiriyor
Un-0, sınıf koşullu ImageNet'te 64x64 çözünürlükte FID 6,74'e ulaşır. FID veya Fréchet Başlangıç Mesafesi, daha düşük olanın daha iyi olduğu standart bir görüntü oluşturma kalitesi ölçüsüdür. Geleneksel olmayan yapay zeka, skorun, ilk yayınlandıkları dönemde önde gelen geleneksel görüntü oluşturma yöntemlerinin kalitesiyle eşleştiğini söylüyor.
Şirket, bugünün sınırında hala bir boşluk olduğu konusunda samimi. Un-0, en son teknolojiye sahip yayılma modellerine göre parametre sayımının bir fonksiyonu olarak performans açığını henüz kapatmıyor. Ancak ekip, sonucu, modern yapay zeka iş yüklerinin fiziksel bir sistemin dinamikleriyle eşleştirilebileceği konseptinin bir kanıtı olarak çerçeveliyor.
Şirket, duyurusunda "Bildiğimiz kadarıyla Un-0, fiziksel bir dinamik sistemin simülasyonunu kullanan bugüne kadarki en yetenekli görüntü oluşturucudur" diye yazdı.
Bir osilatör popülasyonu nasıl bir resim çiziyor
Un-0'ın hesaplama motoru, her biri diğerine bağlı olan büyük bir osilatör popülasyonundan oluşur; burada her osilatör çifti arasındaki bağlantı güçleri, modelin birincil öğrenilebilir parametreleridir. Sistem, Kuramoto osilatörleri olarak bilinen, her osilatörün kendi doğal frekansında döndüğü ve diğer osilatörün çekişiyle dürtüldüğü bir model kullanılarak modellenmiştir.
Şirket sezgisel bir benzetme sunuyor. Paylaşılan bir masa üzerinde yan yana çalışan iki metronomu hayal edin. Birbirlerini ne kadar güçlü etkilediklerine bağlı olarak ya aynı noktaya düşerler ya da karşıtlığa yerleşirler. Bunu iki osilatörden binlere ölçeklendirdiğinizde popülasyon kendi kendine kalıplara göre organize olur.
Un-0 ile bir görüntü oluşturmak beş adımı takip eder. Sistem, her osilatörün fazını rastgele bir açıya ayarlayarak rastgelelikten başlar; bu, bir yayılma modelinin veya GAN örneklerinin gürültüsüne eşdeğer tohum görevi görür. İkinci, daha küçük bir osilatör grubu, papatya veya yanardağ gibi istenen görüntü sınıfını kodlar ve ana popülasyona bağlanır. Daha sonra sistem serbest bırakılır ve osilatörlerin, öğrenilmiş bağlantılarının belirlediği bir duruma yerleşinceye kadar birbirlerini çekmelerine izin verilir. Görüntüler sabit bir zamanda okunur ve bir kod çözücüden geçirilir.
1000x enerji verimliliği tezi
Daha derin motivasyon enerjidir. Geleneksel olmayan yapay zekanın belirtilen hedefi, modern yapay zekayı günümüzün makinelerinin gerektirdiğinden yaklaşık 1.000 kat daha az enerji ile çalıştırmaktır.
Tartışma, osilatörün ilkel bir fiziksel devre olduğu yönündedir. Birleştirilmiş osilatör sistemi doğrudan CMOS'a veya diğer fiziksel alt katmanlara uygulanabilir, böylece cihazın fiziği geleneksel bir işlemci üzerinde simüle etmek yerine hesaplamayı kendisi gerçekleştirir. Şirket, eğer fizik yasaları yapay zeka iş yüklerini yürütebiliyorsa, yürütme alt katmanının günümüzün GPU kümelerinden kökten farklı görünebileceğini savunuyor.
Şirket, nöromorfik hesaplama, Hopfield ağları, rezervuar hesaplama, Hamilton ve Sıvı ağları, Nöral Dalga Makineleri, termodinamik hesaplama ve Kuramoto osilatörleri üzerinde önceki çalışmaları içeren uzun bir fizik tabanlı bilgi işlem fikirleri silsilesine dikkat çekiyor. Aynı zamanda biyolojik bir paralellik de kuruyor: ritmik aktivite ve senkronizasyon beyinde yaygındır ve dağıtılmış özellikleri tutarlı algılara bağlamak gibi hesaplamalı işleri gerçekleştirmek için uzun süredir varsayılmaktadır.
İlk günler, açık kod ve davetiye
Alışılmadık yapay zeka, bunun bitmiş bir üründen ziyade bir başlangıç olduğunu açıkça belirtiyor. Un-0'ın fiziksel ilkel araştırmaları yeni değil, ancak şirket bunu daha büyük bir üretken kıyaslamaya ölçeklendirdi, dinamiklerin azaltılmış bir analizini gerçekleştirdi ve modelin davranışına yorumlayıcı bir bakış sundu.
Ekip, ağırlıkları ve kodu yayınlayarak diğerlerinin fiziksel dinamiğe dayalı modellerle deneme yapmasını kolaylaştırmayı umuyor. Şirket, araştırmacıların hızlı bir şekilde Un-0'ın ötesine geçebileceğine inandığını ve bu alanın, modern yapay zekayı fiziksel dinamiklere yeniden yerleştirme ve peşinde olduğu yaklaşık 1000 kat enerji verimliliği kazanımlarına ulaşma çabasında hâlâ erken olduğunu söylüyor.
Şimdilik Un-0, üretim görüntü modellerinin yerine geçecek bir ürün değil, bir araştırma eseridir. Ancak büyük yapay zeka sistemlerini çalıştırmanın enerjisi ve maliyetinin hem işletmeler hem de araştırmacılar için merkezi bir endişe haline geldiği bir döneme geliniyor ve GPU merkezli paradigmanın ilerlemenin tek yolu olup olmadığını sorgulamaya yönelik daha yaratıcı girişimlerden birini temsil ediyor.
Kaynak: "Un-0'a Giriş: Eşleştirilmiş Osilatörlerle Görüntü Oluşturmak", Geleneksel Olmayan Yapay Zeka, 25 Haziran 2026.---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
