十年来，在 GPU 上执行深度神经网络定义了人工智能的构建方式。一家名为 Unconventional AI 的初创公司正在证明，效率的下一次飞跃将需要一种完全不同的计算机，一种根据物理定律直接进行计算的计算机。

2026 年 6 月 25 日，该公司发布了Un-0，这是一款由耦合振荡器模拟系统提供动力的图像生成器。 Unconventional AI 将该项目描述为新兴“物理计算基底”的演示，并且公开发布模型权重、训练代码和消融分析。 更多相关背景，请参阅我们的AI新闻。

该版本很快引起了开发者社区的关注，登上了 Hacker News 的头版，并引发了关于 GPU 和 Transformer 现状的替代方案是否能够真正竞争的讨论。

其启动质量与传统图像生成相匹配

Un-0 在 64x64 分辨率的类条件 ImageNet 上达到 FID 6.74。 FID（即 Fréchet Inception Distance）是图像生成质量的标准衡量标准，越低越好。 Unconventional AI 表示，该分数与首次发布时领先的传统图像生成方法的质量相匹配。

该公司坦言，距离今天的前沿仍有差距。相对于最先进的扩散模型，Un-0 尚未缩小作为参数计数函数的性能差距。但该团队将结果视为现代人工智能工作负载可以映射到物理系统动态的概念证明。

该公司在公告中写道：“据我们所知，Un-0 是迄今为止使用物理动力系统模拟功能最强大的图像生成器。”

震荡指标群体如何绘制一幅图画

Un-0 的计算引擎是大量的振荡器，每个振荡器都相互耦合，其中每对振荡器之间的耦合强度是模型的主要可学习参数。该系统使用所谓的仓本振荡器进行建模，其中每个振荡器以其自己的固有频率旋转，同时受到其他每个振荡器的拉力的推动。

该公司提供了一个直观的类比。想象一下两个节拍器在共享桌子上并排滴答作响。根据他们彼此影响的强烈程度，他们会步调一致或陷入对立。将其从两个振荡器扩展到数千个，群体就会自组织成模式。

使用 Un-0 生成图像遵循五个步骤。该系统从随机性开始，将每个振荡器的相位设置为随机角度，该角度相当于扩散模型或 GAN 样本的噪声的种子。第二个较小的振荡器组对所请求的图像类（例如雏菊或火山）进行编码，并耦合到主要群体中。然后系统被释放，让振荡器相互拉动，直到它们稳定到由习得的耦合决定的状态。图像在固定时间读出并通过解码器。

1,000 倍能效论文

更深层次的动力是能量。非常规人工智能的既定目标是运行现代人工智能所需的能源大约比当今机器所需的少 1,000 倍。

争论的焦点是振荡器是一种原始的物理电路。耦合振荡器系统可以直接在 CMOS 或其他物理基板中实现，以便设备本身的物理原理进行计算，而不是在传统处理器上进行模拟。该公司认为，如果物理定律可以执行人工智能工作负载，那么执行基板看起来可能与当今的 GPU 集群截然不同。

该公司指出了基于物理的计算思想的悠久历史，包括神经形态计算、Hopfield 网络、储层计算、哈密顿和液体网络、神经波机、热力学计算以及 Kuramoto 振荡器的先前工作。它还得出了生物学上的相似之处：节律活动和同步在大脑中普遍存在，并且长期以来被假设用于执行计算工作，例如将分布式特征绑定到连贯的感知中。

早期、开放代码和邀请

非常规人工智能很清楚，这只是一个开始，而不是一个成品。 Un-0 探索的物理原语并不新鲜，但该公司已将其扩展到更大的生成基准，对动力学进行了消融分析，并对模型的行为提供了解释性的看法。

通过发布权重和代码，该团队希望让其他人更容易地试验基于物理动力学的模型。该公司表示，相信研究人员能够迅速超越 Un-0，并且该领域在重新定位现代人工智能的物理动力学并实现其所追求的约 1,000 倍的能源效率收益方面仍处于早期阶段。

目前，Un-0 是一个研究工件，而不是生产图像模型的直接替代品。但此时此刻，运行大型人工智能系统的能源和成本已经成为企业和研究人员关注的焦点，它代表了一种更具创造性的尝试，质疑以 GPU 为中心的范式是否是唯一的前进道路。

来源：“Un-0 简介：使用耦合振荡器生成图像”，非常规 AI，2026 年 6 月 25 日。

---

掌握AI最新动态

获取最新的AI新闻、分析和突破——尽在一处。

阅读更多AI新闻 →