AI 的能源墙来了，芯片需要从头设计

一、Naveen Rao 是谁

先交代背景。Naveen Rao 是个神经科学博士，然后跑去做了最早的 AI 芯片公司之一——那是 AI 还完全不"酷"的时候。后来他管过 Mosaic ML（最早的 AI 训练公司之一），又亲手搭建了 Databricks 整个 AI 部门。然后他辞了，重新创业，做一家叫 Unconventional AI 的公司——"非常规 AI"。

他说公司名字可能也得改，因为很快"非常规"就会变成"常规"。

二、一个无法回避的问题

现在 AI 行业所有人都在追更大的模型、更多的算力。但 Naveen 抛出了一个没人能绕开的问题：电从哪里来？

这不是 10 年后的问题。他说：两三年内，全世界就没有多余的电给 AI 用了。

三、大脑 vs 计算机：一组残酷的数字

他给了几个非常直观的数字对比：

翻译成人话：全世界 80 亿人的大脑加起来只需要 160 吉瓦。而我们现在为了跑一个模型，要吃掉兆瓦级的电——是大脑的几十万倍。而且这个差距还在扩大。

松鼠从一棵树跳到另一棵树，消耗的电量不到 10 毫瓦——你手机功耗的百分之一，而且我们到现在还没有机器人能完美复现这个动作。生物学做到了令人难以置信的效率，只是我们没有认真去想过这件事。

四、问题出在 80 年前

Naveen 提出了一个很直白的问题：为什么 1940 年代造的计算机，我们今天还在用同样的架构做 AI？

整个科技行业，有几样东西存在了 80 年？不多了。但数字计算用的浮点数、冯·诺依曼架构（内存和处理器分离，来回搬数据），这些底子都是 1940 年代定的。当年设计计算机是为了算炮弹轨迹，不是为了造智能。

而今天 Nvidia 的 GPU 本质上还是在做同一件事：矩阵乘法 + 来回搬数据。只是并行度更高、制程更先进。但能效提升已经极其缓慢——每一代只改进一点点，到了物理极限附近。

五、Landauer 极限：物理不允许你更有效率

他提到一个叫 Landauer 原理的东西。简单说：物理世界对计算效率设了一个绝对上限，你不可能越过它。生物学离这个上限还差两个数量级，已经很厉害了。但今天的数字计算机？差了三到四个数量级。

也就是说，理论上我们可以比现在高效 1,000 到 10,000 倍。这不是算法优化能做到的事，这是底层物理实现的问题。

六、不搬数据，让物理自己算

Naveen 的路线很直接：放弃冯·诺依曼架构，放弃矩阵乘法，用非线性动力学来做计算。

大脑不是靠矩阵乘法算东西的。大脑用的是非线性动力学——神经元之间随时间变化的相互作用，那才是计算发生的真正场所。它用的不是 0 和 1，数字电路错一个 bit 就全崩，但大脑可以容错、可以随机、可以灵活适应。

他的芯片设计的核心思路：

• 做一堆振荡器（oscillators），它们之间有一个"可训练的耦合网络"
• 给定初始状态，踢一脚，让系统自己演化
• 物理本身在帮你做计算——状态是隐式的，不需要来回写内存
• 结果：状态和计算是一体的，没有分离

他说了一句很关键的话："我们用了物理的时间维度来做计算，现有计算机都没有用这一维。"

七、6 个月从 0 到原型

今年 1 月还是零团队，6 月份已经做出完整原型芯片。能做到这个速度，靠的就是 AI 本身——AI 工具帮助他们极快地完成了设计迭代。这正好印证了他说的：没包袱的团队可以快到你无法想象。

他们在现场做了一个实时 demo：一个基于非线性动力学训练的图像生成模型。给定随机噪声，系统会收敛到有意义的状态——猫、马、汽车——然后在不同类别之间自然过渡。整个计算过程没有"搬数据"，就是让系统自己跑。

八、四代计算的演进

Naveen 用一张图总结了计算的代际变化：

• CPU：单线程极快，但内存和计算分离，来回搬数据
• GPU：多 operand 并行，搬的数据更多更快，但逻辑没变
• 存内计算（如 Groq）：更细粒度地把计算搬到存储附近——还是搬，只是搬近了
• 非线性动力系统（他们做的）：状态和计算重叠，用物理本身做计算——真正的不搬了

这不是量变，是质的跃迁。

九、为什么现在才做

Naveen 最后说了一句挺动人的话：

这句话的分量在于：以前我们只能从生物学的角度侧面观测大脑。现在造一个类似的系统，然后看它怎么工作——这是完全不同的理解方式。

整场演讲最令人不安也最令人兴奋的点其实是一个：我们用了 80 年的计算范式可能已经到了头。而替代方案不是来自某个大厂的下一个制程节点，而是来自一个敢说"我的大脑只要 20 瓦"的神经科学家。

如果他是对的，那整个芯片行业、AI 产业、甚至能源格局都会被改写。

← 返回首页 ☰