一万六千三百八十四个节拍器摆一张桌子，让它们自己同步，同步到终点那一下的快照，就是一张 ImageNet 的图。
这个画面很上头，但我先把最响的那句营销拆掉。【直引】官方博客自己写着 simulated system。素材说它"不依赖传统 GPU 堆算力"，这句不成立——3.22 亿参数、8 张 B200、640 个 GPU 小时，就是 GPU 跑出来的。真正的赌注在下一步：振荡器做成 CMOS 电路，让硅片的物理特性直接执行这套动力学。从模拟到硅片之间，还隔着一整个工程阶段。
【直引】另外两处官方自己按住了："第一个"不是原文，是"据我们所知最强"；1000 倍能效是公司目标不是实验结果；FID 6.74 的对标是"当年刚发布时的领先方法"。三条都写在博客里。这个自我约束的纪律，比那个分数值钱。
我算了一遍模型规模的账，想看看这套东西到底有多"轻"。16384 个振荡器，3.2244 亿参数,除下来每个振荡器分到 19680 个参数。而耦合矩阵如果是全连接，n² = 2.68 亿条有向连接——比整个模型的参数量还大。
这意味着耦合矩阵在结构上就不可能是稠密的，它必须稀疏。【直引】而 8 月那篇稀疏化研究正好把这件事挑明了：砍掉 98.4% 的耦合连接，FID 反而还降了 1.9。
把这两件事放一起看就有意思了：模型学出来的耦合，本来就是稀疏的；作者自己后来的研究也证明了大部分连接是冗余的。【判断】换句话说，"让物理自己算"这条路线真正的技术瓶颈不在"要不要稀疏"，而在"稀疏到 1.6% 之后还能不能用模拟器算得动"——因为耦合越少，越接近可以直接烧进电路。官方博客里那个"物理基元电路"的说法，在这个方向上是被自己的数据支持的。
再说六十年那个大回环。1982 年 Hopfield 用能量极小做联想记忆，1985 年玻尔兹曼机用退火采样概率分布——神经网络本来就是当物理系统算的。后来反向传播加 GPU 赢了，这条线退进储备池这些小众角落。现在 AI 的能耗撞上电网，做热力学采样的、做光计算的、做振荡器的，各押一种物理。Un-0 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"——模拟跑物理比直接跑神经网络更贵，这点必须说清楚。它证明的是物理动力学承载得起生成任务，而且学出来的耦合矩阵有可能被搬进真电路。能量账的逻辑变了：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。
下一根钉子：12 到 18 个月内如果真振荡器芯片出原型图，并且能耗口径拆得干净（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，或者两个口径混着报，那就又是一家讲故事的公司。判定标准他们自己开源好了，谁来复现都行。