AI 的下一場戰爭不是算力，而是電力：一家新創為何想重新發明電腦？

如果今天要打造一家 AI 公司，你可能會想買更多 GPU、建立更大的模型，或租下更多資料中心。

Naveen Rao 卻選擇了一條完全不同的路。

他創辦的 Unconventional AI，不打算單純製造一顆「比 GPU 更快」的晶片，而是試圖重新回答一個已經存在近百年的問題：

電腦一定要用現在的方式運作嗎？

這個問題之所以突然變得重要，是因為 AI 產業正逐漸撞上一道過去沒有那麼明顯的牆——能源。

國際能源總署（IEA）預估，全球資料中心用電量將從 2025 年約 485 TWh，上升至 2030 年約 950 TWh，接近翻倍；其中 AI 導向資料中心的用電成長速度又明顯高於整體資料中心。

問題因此不再只是「我們能製造多少 AI 晶片？」，而開始變成：

我們有多少電，可以餵給這些晶片？

而 Unconventional AI 提出了一個相當激進的答案：與其不斷尋找更多能源，不如重新設計電腦，讓同樣一瓦電可以產生更多「智慧」。

AI 成長得有多快？Google 一個月已處理 3.2 千兆個 token

理解這家公司之前，得先看看 AI 使用量正在發生什麼事。

Google 執行長 Sundar Pichai 在 2026 年 Google I/O 公布了一組驚人的數字：

• 2024 年，Google 各項服務每月處理約 9.7 兆個 AI token
• 2025 年增加到約 480 兆
• 到了 2026 年，這個數字已經超過 3.2 quadrillion，也就是 3,200 兆個 token／月

短短兩年，增加超過 300 倍。Google 的模型 API 目前每分鐘處理的 token 數量，也已經來到約 190 億。

而且文字只是其中一部分。AI 正在走向影片生成、長時間推理、AI Agent，以及大量持續運作的自動化工作。IEA 指出，部分新的高運算量 AI 應用，每次查詢消耗的能源可能比單純文字生成高出數百甚至數千倍。

於是 AI 產業出現了一個有趣的矛盾：模型越便宜、越好用，人類就會使用更多 AI；使用越多 AI，就需要更多資料中心；資料中心越多，能源需求也跟著增加。

晶片進步的速度很快。但發電廠、輸電網和能源基礎建設，沒有辦法用軟體更新的速度擴張。

這正是 Unconventional AI 認為必須改變電腦架構的原因。

真正浪費電的，可能不是「計算」

一般人想到晶片耗電，很容易想像數十億個電晶體正在高速進行數學運算。但現代 AI 晶片有一個比較反直覺的問題：

搬資料，有時比算資料昂貴得多。

Unconventional AI 在自己的技術分析中引用現代 CMOS 相關研究指出，以特定 7nm 資料作為比較，從晶片外部 HBM 讀取 8-bit operand 所需的能源，可以比一次 8-bit integer multiplication 高出超過 500 倍。

原因在於今天的大型模型實在太大。假設一個模型有 1,000 億個活躍參數，它不可能全部永遠待在最靠近運算單元的位置。於是每生成下一個 token，系統都必須不斷取得模型參數、讀取記憶體、搬動資料，再進行計算。

長 context 的 Transformer 還多了一個問題：KV cache。Context 越長，需要保存與讀取的資料就越龐大。

Unconventional AI 做了一個粗略估算：如果是 1,000 億活躍參數的模型，只計算 8-bit multiplication，本身可能只需要約 0.007 Joule/token；如果參數必須從 HBM 讀取，單是讀取參數的估算就可能達到約 3.9 Joules/token。這並不是所有實際 AI 系統都會得到的固定數字，而是用來說明資料移動與記憶體存取可能如何主導能源成本。

換句話說：我們今天可能花了大量能源，不是在「思考」，而是在把「思考需要的資料」搬來搬去。

但大腦不是這樣工作的

這時候，Rao 把問題轉向了生物學。

人類的大腦功率大約只有數十瓦等級，卻可以同時處理視覺、聲音、語言、記憶、預測以及運動控制。這不代表大腦與 Transformer 可以直接比較——兩者的工作方式、精度、任務甚至「計算」的定義都不同。但它至少證明了一件重要的事情：

物理世界中確實存在能源效率極高的智慧系統。

所以問題可能不是「智慧必然非常耗電」，而是：我們現在用來製造人工智慧的電腦，非常耗電。

Unconventional AI 因此沒有從「怎麼改善 GPU」開始，而是往更底層走。他們希望讓物理現象本身成為計算的一部分。

一排節拍器，藏著另一種電腦的可能性

要理解這件事情，可以想像一個很簡單的實驗。

把很多機械節拍器放在一個可以左右移動的平台上。一開始，每一個節拍器可能各自以不同節奏擺動。但因為每個節拍器都會對平台施加微小的力量，平台的移動又反過來影響其他節拍器。經過一段時間之後，它們可能逐漸同步。

沒有人逐一計算：第一個節拍器下一秒應該往哪裡、第二個應該移動幾度、第三個速度應該增加多少。物理系統自己演化到了某個狀態。

這就是 dynamical system（動態系統）可以呈現的一種行為。而 Unconventional AI 想問的是：如果我們可以控制這些物理系統的初始狀態、連結與參數，能不能讓「系統自然演化的過程」本身就是我們需要的計算？

這個概念不是 Unconventional AI 憑空發明的。利用類比、物理與動態系統進行運算已有長期研究歷史，近年也有不同研究團隊探索各類 unconventional computing 架構。Unconventional AI 的企圖，是把這些概念推到現代生成式 AI 所需要的規模。

Un-0：先證明「物理動態」真的可以做生成式 AI

2026 年 6 月，Unconventional AI 公開了第一個重要成果：Un-0。

這是一套使用 coupled oscillators（耦合振盪器）動態來完成主要運算的影像生成模型。必須先強調一件很重要的事：這個公開版本是在軟體中模擬物理系統，不等於一顆已經商業化的超低功耗 AI 晶片。但它試圖驗證的是更基礎的問題：這種完全不同的計算方式，究竟能不能訓練出真正有用的生成模型？

Un-0 在 ImageNet 64×64 class-conditional image generation 測試中取得 FID 6.74。公司也公開了模型權重、訓練、評估與 ablation code，讓外界可以研究。

它的重要性因此不是「打敗最新的影像生成模型」，而是證明：由動態物理系統所描述的計算，也可以學習複雜的生成任務。如果這條路成立，下一步才是把模擬中的物理系統真正映射到電子電路。

更有趣的發現：拿掉 98% 的連結，反而可能更好

這種架構還碰到另一個重要問題。

假設系統裡有 10 個元素，而且每一個都必須和其他元素連接，大約就是 10×10 的連接規模。如果變成 1,000 個元素，則可能快速成長到百萬級連結。規模越大，互連就越麻煩。

因此 Unconventional AI 後續研究了一件看似反直覺的事情：把連結拿掉。

2026 年 8 月，公司公布的研究結果稱，在 Un-0 的 coupled oscillator network 中，透過 sparsity 最多可以移除 98.4% 的連結，同時在其 ImageNet 64×64 實驗中，FID 反而改善 1.9。

如果這種特性能持續擴展到更大型模型與實際硬體，它的重要性很高。因為更少的連結意味著更少資料傳輸、更簡單的物理互連，也可能意味著更低能源需求。

他們真正想消滅的，是「記憶體和運算之間的距離」

傳統 von Neumann 架構的一個核心概念，是記憶體與運算單元具有明確區別。資料放在這裡，運算在另一邊進行，所以兩者必須不斷交換資訊。

GPU 已經利用大量平行化把 AI 運算效率推得非常高，但資料與記憶體問題並沒有因此消失。Unconventional AI 想走得更遠：讓系統的物理狀態本身，同時承擔資訊儲存與計算。

這就是 dynamical computing 最值得注意的地方。Rao 將公司的方向稱為 4D computing——除了利用晶片的三維物理配置，也利用「時間」本身，也就是物理系統隨時間演化的 dynamics，來完成運算。

這和今天「執行一串離散指令」的電腦觀念非常不同。

但如果它不是 GPU，要怎麼寫程式？

這也是所有新型電腦都逃不掉的問題。一顆晶片再厲害，如果沒有程式設計介面、compiler、runtime 和開發工具，最後也很難成為真正的平台。

CPU 有自己的 ISA。GPU 有 CUDA 等軟體生態。那 dynamical computer 呢？

2026 年，一項相關研究提出 DS-ISA（Dynamical System Instruction Set Architecture），嘗試建立數位主機與 continuous-time dynamical hardware 之間的程式設計介面。它把操作拆成 Connect、Load、Lock、Evolve、Store 等階段，並提出只需要九個 instruction 的實驗性 ISA。相關研究已列為 ISCA 2026 工作。

這仍然距離成熟的 CUDA 生態非常遙遠。但它顯示這個領域已經開始處理一個非常實際的問題：如果未來電腦真的不再像現在的電腦，我們要如何告訴它該做什麼？

一家 Seed 公司，拿到了 4.75 億美元

這並不是一項躲在大學實驗室裡的小型研究計畫。

Unconventional AI 在 2025 年完成 4.75 億美元 seed round，估值約 45 億美元。投資方包括 Andreessen Horowitz、Lightspeed、Lux Capital、DCVC 等。

如此驚人的早期融資，很大一部分原因來自創辦團隊的背景。Naveen Rao 過去共同創辦 Nervana Systems，2016 年被 Intel 收購；之後他又共同創辦 MosaicML，Databricks 在 2023 年以約 13 億美元收購該公司。

Unconventional AI 則由 AI systems、analog circuits、computing theory 與 neuroscience 等不同領域的人才共同組成。因為他們試圖解決的，本來就不是單一晶片設計問題，而是同時重新設計：物理 → 電路 → 晶片 → 架構 → 模型 → 軟體。

1,000 倍效率：最重要，也最需要保持懷疑的數字

Unconventional AI 最吸睛的目標，是讓生成式 AI inference 的能源效率提高 1,000 倍。

但這裡需要非常清楚地區分「目標」和「成果」。1,000 倍目前是公司的長期工程目標，並不是已經經過大規模商業部署及獨立第三方測試證實的通用性能。

而且公司自己也承認，不能靠某一項神奇技術突然取得 1,000 倍改善。它可能必須來自許多改善的乘積：更少的資料移動、更小的模型、更高 sparsity、analog circuits、noise tolerance、硬體與模型共同設計，以及避免某些昂貴的傳統 Transformer 操作等。

公司的研究人員甚至用一個很直觀的方式描述：可能不是找到一次 1,000 倍的突破，而是找到 10 個 2 倍的改善，或 3 個 10 倍的改善，最後乘在一起。

所以真正需要觀察的，不是「1,000x」這個漂亮數字，而是未來幾年它能不能證明三件事：

1. 模型可以擴大
2. 晶片真的可以製造
3. 整個系統的 end-to-end energy efficiency 依然成立

這三件事情缺一不可。

如果真的成功，改變的可能不只是 AI 晶片市場

假設——這是一個非常大的假設——這類架構最終真的能讓 AI 能源成本下降一到數個數量級，影響可能遠超過 NVIDIA 或 GPU 市場。

因為能源效率決定了 AI 可以「存在在哪裡」。

今天最強大的模型，大多存在大型資料中心。原因很簡單：它們需要昂貴的晶片、龐大的記憶體、高速網路、冷卻系統，以及大量電力。

但如果同樣的 AI 能力未來只需要其中一小部分能源，計算就可能逐漸往外移動：從超大型資料中心，走向區域型資料中心；從雲端，走向工廠；再從工廠，走進汽車、機器人甚至終端設備。

這會改變一個非常重要的經濟條件：智慧的邊際成本。

當「智慧」變便宜，很多今天不划算的事情就可能突然划算

假設一個 AI Agent 每天只能工作幾分鐘，很多應用沒有經濟價值。但如果它可以一年 365 天、每天 24 小時持續運作，而且能源與推論成本低到接近可以忽略呢？

假設一台農業機器人需要不斷把影像傳回雲端才能判斷哪一株是雜草，它可能既昂貴又不可靠。但如果足夠強的視覺模型可以直接在機器上運作呢？

假設每一家小型工廠都能負擔即時 AI 品質檢測、預測維護與機器人控制呢？

醫療設備、物流、科學研究、自動化工廠、個人裝置、無人載具，都可能出現原本因為「計算成本太高」而不存在的產品。

這也是能源效率真正可能帶來的經濟影響——不是讓 ChatGPT 的電費帳單便宜一些而已，而是讓以前不值得使用智慧的地方，開始值得部署智慧。

AI 革命的下一步，可能不是蓋更多資料中心

過去十年，我們已經習慣了一種 AI 發展模式：模型更大、GPU 更多、資料中心更大、電力需求也更多。這條路短期內當然還會繼續。

IEA 目前仍預估全球資料中心用電在 2030 年約占全球電力需求 3%；這是一個快速成長、但也需要放在全球能源系統規模中理解的數字。

真正值得思考的是：這是不是 AI 唯一可以走的路？

電腦產業曾經靠縮小電晶體取得數十年的效率紅利。GPU 又靠大規模平行化開啟了今天的深度學習革命。下一次巨大的效率提升，未必來自「再做一顆更大的 GPU」。它也可能來自重新思考記憶體、計算與物理之間的關係。

Unconventional AI 最後能不能成功，目前沒有人知道。Un-0 仍是早期模型；新的運算架構仍需證明可程式化、可製造、可擴展，並在真正的大型生成式 AI 工作負載上展現 end-to-end 優勢。

但這家公司提出了一個值得整個 AI 產業認真思考的問題：

如果真正限制人工智慧發展的不是我們能不能製造更多算力，而是地球能不能供應足夠的能源，那麼下一場 AI 革命，也許不是教電腦算得更多——

而是教它，用更少的能量思考。