Trong một thập kỷ, việc triển khai mạng lưới thần kinh sâu trên GPU đã xác định cách xây dựng trí tuệ nhân tạo. Một công ty khởi nghiệp có tên là AI độc đáo đang chứng minh rằng bước nhảy vọt tiếp theo về hiệu quả sẽ đòi hỏi một loại máy tính khác về cơ bản, loại máy tính mà các định luật vật lý thực hiện việc tính toán trực tiếp.
Vào ngày 25 tháng 6 năm 2026, công ty đã phát hành Un-0, một trình tạo hình ảnh được hỗ trợ bởi hệ thống mô phỏng các bộ dao động kết hợp. AI độc đáo mô tả dự án như một minh chứng cho "nền điện toán vật lý"" mới nổi và nó đang phát hành các trọng số mô hình, mã đào tạo và phân tích cắt bỏ một cách công khai. For more context on this story, see our ongoing more AI stories.
Bản phát hành nhanh chóng thu hút sự chú ý trong cộng đồng nhà phát triển, lên trang nhất của Hacker News và làm dấy lên cuộc thảo luận về việc liệu các lựa chọn thay thế cho hiện trạng GPU và máy biến áp có thể cạnh tranh thực tế hay không.
Phù hợp với việc tạo hình ảnh thông thường ở chất lượng khởi chạy
Un-0 đạt FID 6,74 trên ImageNet có điều kiện theo lớp ở độ phân giải 64x64. FID, hay Fréchet Inception Distance, là thước đo tiêu chuẩn về chất lượng tạo ra hình ảnh trong đó càng thấp thì càng tốt. AI độc đáo cho biết điểm số đó phù hợp với chất lượng của các phương pháp tạo hình ảnh thông thường hàng đầu tại thời điểm chúng được xuất bản lần đầu tiên.
Công ty thẳng thắn rằng vẫn còn một khoảng cách so với ranh giới ngày nay. Un-0 vẫn chưa thu hẹp khoảng cách hiệu suất dưới dạng hàm đếm tham số so với các mô hình khuếch tán hiện đại. Nhưng nhóm nghiên cứu đưa ra kết quả như một bằng chứng về khái niệm rằng khối lượng công việc AI hiện đại có thể được ánh xạ dựa trên động lực học của một hệ thống vật lý.
“Theo hiểu biết của chúng tôi, Un-0 là trình tạo hình ảnh có khả năng tốt nhất cho đến nay để sử dụng mô phỏng hệ thống động lực vật lý”, công ty viết trong thông báo của mình.
Cách vẽ một quần thể các bộ dao động
Công cụ tính toán của Un-0 là một tập hợp lớn các bộ dao động, mỗi bộ được ghép nối với các bộ dao động khác, trong đó cường độ khớp nối giữa mỗi cặp bộ dao động là các tham số chính có thể học được của mô hình. Hệ thống này được mô hình hóa bằng cách sử dụng cái được gọi là bộ dao động Kuramoto, trong đó mỗi bộ dao động quay với tần số riêng của nó trong khi bị tác động bởi lực kéo của mọi bộ dao động khác.
Công ty đưa ra một sự tương tự trực quan. Hãy tưởng tượng hai máy đếm nhịp đang tích tắc cạnh nhau trên một chiếc bàn dùng chung. Tùy thuộc vào mức độ ảnh hưởng lẫn nhau mạnh mẽ mà họ rơi vào tình trạng bế tắc hoặc rơi vào tình trạng đối lập. Chia tỷ lệ từ hai bộ dao động lên hàng nghìn và quần thể tự tổ chức thành các mô hình.
Tạo một hình ảnh với Un-0 sau năm bước. Hệ thống bắt đầu từ tính ngẫu nhiên, đặt pha của mỗi bộ dao động thành một góc ngẫu nhiên, hoạt động như hạt giống tương đương với nhiễu của mô hình khuếch tán hoặc mẫu GAN. Nhóm dao động thứ hai, nhỏ hơn mã hóa lớp hình ảnh được yêu cầu, chẳng hạn như hoa cúc hoặc núi lửa và được ghép vào quần thể chính. Sau đó, hệ thống được giải phóng, cho phép các bộ dao động kéo nhau cho đến khi chúng ổn định về trạng thái do khớp nối đã học của chúng quyết định. Hình ảnh được đọc vào một thời điểm cố định và được chuyển qua bộ giải mã.
##Luận án tiết kiệm năng lượng 1.000x
Động lực sâu xa hơn là năng lượng. Mục tiêu đã nêu của AI độc đáo là chạy AI hiện đại với mức năng lượng ít hơn khoảng 1.000 lần so với yêu cầu của máy móc ngày nay.
Lập luận cho rằng bộ dao động là một mạch vật lý nguyên thủy. Hệ thống dao động kết hợp có thể được triển khai trực tiếp trong CMOS hoặc các chất nền vật lý khác để cơ chế vật lý của thiết bị tự thực hiện tính toán thay vì mô phỏng nó trên bộ xử lý thông thường. Công ty lập luận rằng nếu các định luật vật lý có thể thực thi khối lượng công việc AI thì chất nền thực thi có thể trông hoàn toàn khác với các cụm GPU ngày nay.
Công ty chỉ ra một loạt các ý tưởng điện toán dựa trên vật lý, bao gồm điện toán mô phỏng thần kinh, mạng Hopfield, điện toán hồ chứa, mạng Hamilton và mạng Liquid, Máy sóng thần kinh, điện toán nhiệt động lực học và công trình trước đây về bộ dao động Kuramoto. Nó cũng rút ra một sự song song về mặt sinh học: hoạt động nhịp nhàng và sự đồng bộ hóa lan tỏa trong não và từ lâu đã được đưa ra giả thuyết để thực hiện công việc tính toán, chẳng hạn như liên kết các đặc điểm phân tán thành các nhận thức mạch lạc.
Những ngày đầu, mã mở và lời mời
AI độc đáo rõ ràng rằng đây là sự khởi đầu chứ không phải là sản phẩm hoàn chỉnh. Khám phá nguyên thủy về mặt vật lý của Un-0 không phải là mới, nhưng công ty đã mở rộng quy mô của nó lên một chuẩn mực tổng quát lớn hơn, thực hiện phân tích cắt bỏ động lực học và đưa ra cái nhìn diễn giải về hành vi của mô hình.
Bằng cách phát hành các trọng lượng và mã, nhóm nghiên cứu hy vọng sẽ giúp những người khác thử nghiệm các mô hình dựa trên động lực học vật lý dễ dàng hơn. Công ty cho biết họ tin rằng các nhà nghiên cứu có thể nhanh chóng vượt qua Un-0 và lĩnh vực này vẫn còn sớm trong nỗ lực tái lập AI hiện đại dựa trên động lực học vật lý và đạt được mức tăng hiệu quả năng lượng gấp khoảng 1.000 lần mà nó đang theo đuổi.
Hiện tại, Un-0 là một sản phẩm nghiên cứu chứ không phải là một sản phẩm thay thế sẵn có cho các mô hình hình ảnh sản xuất. Nhưng nó đến vào thời điểm mà năng lượng và chi phí vận hành các hệ thống AI lớn đã trở thành mối quan tâm hàng đầu của các doanh nghiệp cũng như các nhà nghiên cứu và nó thể hiện một trong những nỗ lực sáng tạo hơn để đặt câu hỏi liệu mô hình lấy GPU làm trung tâm có phải là con đường duy nhất phía trước hay không.
Nguồn: "Giới thiệu Un-0: Tạo hình ảnh bằng các bộ dao động kết hợp," AI độc đáo, ngày 25 tháng 6 năm 2026.---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
