把两个节拍器放同一张桌子，它们会慢慢同步：Un-0 用一万六千个振荡器「同步」出一张图

两个节拍器放在同一张桌面上，各自乱摆，过一阵子会自己走向整齐划一——桌面把它们耦合成一个系统，这是物理课上最经典的演示之一。加州一家叫 Unconventional AI 的公司把这个演示放大了一万六千倍：一万六千三百八十四个虚拟振荡器互相耦合，让它们自然同步，同步到终点时的相位快照，就是一张 ImageNet 的图。

模型叫 Un-0，今年 6 月 25 日发布，ImageNet 64×64 类条件生成拿到 FID 6.74。权重、训练代码、消融实验全部开源（GitHub 上 unconv-ai/Un-0，338 星）。公司背后是 Naveen Rao——连续创业者，上一家公司 MosaicML 卖给了 Databricks，再上一家 Nervana 卖给了 Intel。这家新公司去年 12 月出隐身模式，种子轮 4.75 亿美元，a16z 和 Lightspeed 领投，估值 45 亿。

素材里说它「不依赖传统 GPU 堆算力」。这句要拆开讲，因为 Un-0 恰恰是在 GPU 上跑出来的。

先说清楚 Un-0 到底是什么

原理一句话：大量振荡器各自的相位遵循同一条运动规则——按自己的频率转，同时被所有邻居拉扯，拉扯的强度写在一张耦合矩阵里。矩阵不是人写的，是训练出来的：整个模型要学的只有三样东西，耦合矩阵、每个振荡器的自然频率、外加一个小解码器。

生成一张图分五步：所有振荡器相位随机初始化（这一步就是扩散模型里的噪声）；一组类别振荡器耦合进主群，把整个系统往「雏菊」或「火山」的方向偏置；然后放手，让物理规则自己跑；在指定时刻拍下全体相位的快照；一个只占参数量 12% 的常规解码器把快照渲染成像素。没有逐层前向传播，没有每步去噪网络——设定好耦合之后，演化本身不消耗「计算」，它就是物理。

这是官方的说法。物理底座目前是模拟的：最大的模型有 3.22 亿参数，训练用了 8 张 B200，共 640 个 GPU 小时；生成是普通数值积分。公司真正的赌注在下一步——他们说振荡器是「一种基元物理电路」，可以直接用 CMOS 做，让电路的物理特性直接执行这套动力学。也就是说：GPU 学物理，芯片跑物理。素材把「未来芯片不依赖 GPU」说成了「Un-0 不依赖 GPU」，中间隔着从模拟到硅片的一整个工程阶段。官方博客自己在标题里都写着 simulated system（模拟系统）。

三个限定词，官方都自己写了

这家的博客难得地诚实，三个容易吹爆的地方全是自己按住的。

第一，「第一个」不是官方说法。原文是「据我们所知，使用物理动力学系统模拟的图像生成器里，最强的」——按能力论第一，不按时间论第一。而且博客明确承认「我们探索的物理基元并不新」，一口气引了 Hopfield 网络（1982）、神经形态计算（1990）、储备池计算（2001）、哈密顿网络、热力学计算和近两年的振荡器网络。「大规模」也是相对这个谱系而言——3.22 亿参数放在今天的生成模型里是小模型。

第二，FID 6.74 的对标是「当年刚发布时的领先方法」。按 2026 年的标准，ImageNet 64×64 的常规前沿已经比这个数低不少。官方没有拿它去比 SOTA，比的是「可行性证明」：这条路线能 scale 到这个规模，能出这个质量的图。

第三，1000 倍能效是公司目标，不是实验结果。博客原话是把现代 AI 跑在「今天机器所需能量的千分之一」上，是「重新把 AI 安放到物理动力学上的旅程早期」。Naveen Rao 在访谈里提过一个芯片原型数字：约 500 纳焦生成一张图——那是物理芯片的口径，而且只算振荡器阵列的演化能耗，跟 GPU 端到端生成一张图的能耗不在同一个口径上，不能直接相除。

评测纪律也有个细节：他们的对比图里，自己测的模型用实心点，只能引用文献数字的用空心点，并注明空心点「应读作参考值而非严格同口径测量」。图表上就把可复现和不可复现分开——这套纪律值得抄。

六十年，一个来回

看这条线的谱系会看到一个大回环。1982 年 Hopfield 用物理系统的能量极小做联想记忆，1985 年 Hinton 的玻尔兹曼机用温度和退火采样概率分布——最初的神经网络本来就是当物理系统算的。后来反向传播加 GPU 的数字计算赢了，物理路线退进了神经形态和储备池这些小众角落。四十年后，AI 的能耗撞上电网，物理计算复兴成了一个小型运动：做热力学采样的 Extropic、做光计算的 Lightmatter、做振荡器的 Unconventional，各押一种物理。

Un-0 的位置是这条运动里第一个把「大规模生成」跑通的公开验证。它证明的不是「物理计算机比 GPU 强」——没有，模拟跑物理比直接跑神经网络更贵——而是「物理动力学承载得起生成任务，且学出来的耦合矩阵能被移植到真电路」。能量账的逻辑也变了：模拟阶段贵，物理执行阶段便宜，相当于把每次前向的计算债务一次性预付进硬件常数。

稀疏化的后续研究给了个旁证：八月他们发文说砍掉 98.4% 的耦合连接，FID 反而还降了 1.9——耦合矩阵里大部分是冗余的，这在工程上是好消息，真做芯片时连线越少越好。

可打脸预测就压在下一步：如果 12 到 18 个月内真振荡器芯片出原型图，且能耗口径经得起拆（振荡器阵列能耗 vs 端到端系统能耗分开报），这条路线就活了；如果原型迟迟不出来，或者基准混着报，那就是又一家讲故事的公司。判定标准他们都开源好了，谁来复现都行。

核对记录：Un-0 官方博客（unconv.ai，2026-06-25 发布）全文，机制五步、模型表（n16384：16384 振荡器/322.44M 参数/decoder 占 11.66%/FID 6.74@50k ADM 套件）、训练细节（drifting loss+DINOv2+AdamW+显式 Euler、8×B200 共 640 小时）与三个限定词（simulated/most capable to our knowledge/matching when first published）均为原文；Sparsity 研究（2026-08-13：砍 98.4% 连接、FID 改善 1.9）为官网博客列表摘要；GitHub unconv-ai/Un-0（338★，created 2026-06-18）API 直抓；公司背景（Naveen Rao 创办、2025-12-08 出 stealth、种子轮 4.75 亿美元 a16z+Lightspeed 领投、估值 45 亿）多源交叉（investing/seedtable/daily.dev）；500 纳焦/图为 Rao 访谈转述（biggo 引播客原话），口径仅振荡器阵列能耗，已标注不可与 GPU 端到端直接相除。素材「不依赖传统 GPU 堆算力」判走样（Un-0 为 GPU 模拟，物理芯片是未来路线）；「第一个」判荣誉升格（官方口径 most capable）；其余断言属实。