Databricks 前 AI 负责人 Naveen Rao 把自己押在了一条很少有人走的路上。由他推动的 Unconventional AI 近日发布首个模型 Un-0，做的是图像生成，目标则直指 AI 推理的电力账单：公司宣称，未来有机会把功耗压到现有系统的 1/1000。

但就这次披露来看，最重要的不是“像不像 Stable Diffusion”，而是“离真机还有多远”。Un-0 目前运行在软件模拟的振荡器架构上，不是真芯片。换句话说，它已经证明这套思路能做出一个功能完整的模型，却还没证明这套思路能在真实硬件上稳定、便宜地跑起来。

Un-0 证明的是可行性，不是兑现

Unconventional AI 这次给出的，是一份工程路线图的起点。Rao 把 Un-0 称为“新型计算机的 hello world”，并把它和 Stable Diffusion、OpenAI 的 GPT Image 1 放在同一条对照线上：生成结果接近主流图像模型，底层计算却换成了完全不同的振荡器架构。

项目现状含义
Un-0基于软件仿真的振荡器架构证明架构可以支持图像生成，但不是硬件实证
1000x 省电公司目标仍是承诺，不是已经测出来的结果
芯片与推理栈仍在建设中，schematics 计划很快公开真正的商业化门槛还没过

这一区别很关键。AI 圈里，能在论文和模拟器里跑通的东西并不少，能走进机房、接上负载、长期稳定吞吐请求的东西才算数。Unconventional AI 现在拿到的是前半场门票，后半场还没开打。

1000 倍省电，赌的是推理基础设施，不是单个模型

Rao 把判断落在了一个很现实的问题上：AI 的瓶颈会越来越像能源问题，而不是单纯的算力问题。模型越多、调用越密、图像和视频生成越普遍，推理成本就越容易被电力、散热和机房容量卡住。对云厂商和 AI 应用公司来说，哪怕只是把每次推理的瓦数明显压低，账单和毛利都会变。

这也是 Unconventional AI 这条路线真正有吸引力的地方。它不是在和现有图像模型比谁更会画图，而是在问：推理这件事，能不能用一套全新的计算方式重写。

问题在于，重写基础设施从来不是模型演示那么简单。振荡器架构要跨过去的，不只是芯片设计，还有编译、运行时、内存访问、可靠性、良率和软件生态。GPU、TPU、各类定制 ASIC 这些年已经把“每瓦性能”一点点磨出来了，Unconventional 要证明的，是自己能跳出渐进式改良，拿出数量级上的差异，而且要在整条链路上成立，不是只在一张 demo 图上成立。

真正受影响的人，是买算力的人

如果这条路线真能推进，最先受影响的不是普通用户，而是三类人：做大规模 AI 推理的云厂商、靠图像/视频生成吃饭的应用公司，以及需要控制算力预算的企业客户。对他们来说，最现实的问题不是“模型新不新”，而是“每次请求多少钱、多久能回本、能不能接进现有系统”。

接下来最该看的，不是 Un-0 的演示图像，而是三件事：第一，Unconventional 何时公布真实芯片设计；第二，首颗硅片出来后，功耗和吞吐能否在同一套工作负载上站得住；第三，它能否把自己说的“网络接入、推理输出”做成一整套可部署的服务。少掉任何一环，这条路线都还只是概念验证。

在 AI 基础设施这门生意里，口号最不值钱，硅片最值钱。能把“千倍省电”写进宣传页的人不少，能把它做进机房的人，向来寥寥。