标签： AI基础设施

Naveen Rao在Databricks管了几年AI业务，今年突然跳出来单干，搞了一家叫Unconventional AI的公司。他的目标听起来像在吹牛：把AI推理的功耗降低1000倍。

但凡在AI行业待过的人都知道，这事儿有多离谱。现在跑一个大模型，电费贵到科技公司都在自己建电厂。Rao的答案是重新造一台计算机——不是改良现有芯片，而是从底层换掉整个计算架构。

振荡器架构：不按套路出牌

Unconventional的核心技术叫”振荡器基计算架构”（oscillator-based computer architecture）。这东西跟现在所有CPU、GPU的底层逻辑都不一样。具体原理说出来太硬核，但结果很简单：做同样的事情，耗电只有原来的千分之一。

这周他们放出了第一个模型，叫Un-0，做图像生成的。效果跟Stable Diffusion、OpenAI的GPT Image 1差不多，但跑起来的能耗完全不是一个量级。

“这是新型计算机的’Hello World’。接下来一年，你会看到一些相当有意思的消息。” —— Unconventional AI创始人 Naveen Rao

软件模拟只是第一步

目前Un-0还跑在软件模拟的振荡器芯片上，真家伙的电路图还没出来。但公司说很快就会发布实际芯片的设计 schematic，然后从头搭建整套推理堆栈（inference stack）。

最终形态是：Unconventional自己运营算力，用户把prompt从网线灌进来，推理结果从另一头出去——但整件事的耗电只有现在的数据中心的千分之一。

Rao说：”我们会用我们的芯片组建一套新系统，在上面跑AI模型。会有网线插进来，prompt从这边进去，推理结果从那边出来，但耗电量只有千分之一。”

为什么这事值得认真看待

Rao不是随便哪个创业者。他在Databricks主管AI业务期间，亲眼看着客户因为电费问题犹豫要不要上大模型。AI推理的能耗曲线是指数级的，照这个势头下去，电价会成为整个行业的天花板。

现在各家都在自建芯片（OpenAI找博通代工、谷歌TPU、亚马逊Trainium），但基本思路还是在GPU的框架里打转。Unconventional的做法是直接换掉底层逻辑，风险大得多，但如果成了，收益也不是一个量级的。

公司目前不到50人，能拿到顶级VC的钱（具体谁投的这篇文章没说），但能做出Un-0这个demo，说明至少原理验证是过了的。

接下来看什么

• 实际芯片设计图什么时候发布
• 除了图像生成，能不能跑LLM推理
• 功耗数据能不能经得起第三方验证
• 会不会真的建成那个”千分之一功耗”的推理数据中心

如果Rao吹的牛实现了，AI行业的成本结构会被整个重写。如果没实现，那就是又一家”颠覆性架构”公司 quietly 死掉。

但至少现在，有人认真在解决AI的能耗天花板了。

everyone都在造芯片，Sail说软件就够了。这家刚刚冒出头的初创公司本周宣布完成8000万美元融资，估值4.5亿美元，由Kleiner Perkins和Sequoia联合押注。它的主张听起来有点反潮流——当OpenAI在做Jalapeño芯片、谷歌有TPU、亚马逊有Trainium的时候，Sail说光靠软件优化就能把AI推理成本压到对手的十分之一。

长周期智能体才是主战场

Sail Research的平台专门跑”长周期”AI智能体——就是那些需要连续工作数小时甚至数周才能完成的任务。它在Linux虚拟机（叫Sailboxes）里运行智能体，开发者可以自定义每个虚拟机的软件环境。关键是，当智能体在等待外部系统返回数据时，Sail会把整个智能体关掉，不再烧钱，等数据回来了再继续。这个设计思路很直接，但确实能省不少钱。

他们在BrowseComp-Plus基准测试上拿了90.72%的分数，同时推理成本只有对手的十分之一。这个成绩单够亮眼，但真正有意思的是它背后的逻辑：大部分企业根本造不起自己的定制芯片，但它们可以在现有的英伟达GPU上跑Sail的软件层，达到类似的效率提升。

Sail的CEO Neil Movva说得很直白：人类用电脑最看重速度，但智能体最需要的是规模、可靠性和可持续的成本。这句话其实点出了当前AI基础设施争论的核心——我们到底是在为什么买单？

定制芯片 vs 软件优化，两条路都能走通

这一轮AI基础设施的竞争，某种程度上分裂成了两个阵营。一边是”算力派”，认为推理成本的根本解法是定制芯片——OpenAI找Broadcom做Jalapeño，谷歌继续迭代TPU，亚马逊推Trainium，都在走这条路。另一边是”效率派”，认为现有的GPU已经够强，问题出在软件层没有把硬件能力吃干榨净。

Sail属于后者。它改写了多个开源推理引擎，用了一套自己优化的算法来提升显存利用率。效果据称不错，但这个说法需要打一个问号：基准测试的跑分环境和真实生产环境往往是两回事，90.72%的分数能否在客户的实际工作负载上复现，还得等产品正式铺开才知道。

投资者阵容值得注意

这一轮的投资者名单里有两个名字很显眼：Intel CEO Lip-Bu Tan和Alphabet董事长John Hennessy。Hennessy的身份尤其微妙——他既是谷歌的董事长，又投了一家说”软件优化可以替代定制芯片”的初创公司。不管这在战略上意味着什么，至少说明业界对AI推理成本问题的关注度已经非常高了。

Kleiner Perkins和Sequoia同时进场也是一个信号。两家顶级VC在同一个轮次里联手，通常意味着他们判断这个赛道已经过了”要不要做”的阶段，现在的问题是”谁能先做出来”。Sail的4.5亿美元估值不低，但它面对的是一个实实在在的市场需求：企业用完AI之后发现账单比预期厚得多，它们愿意为任何能压低成本的技术方案付钱。

这一轮融资的时间点选得有点巧——正好是OpenAI官宣Jalapeño芯片之后没几天。两件事摆在一起看，像是一场关于”AI推理成本到底该怎么降”的公开辩论。OpenAI选了最难的路（自己做芯片），Sail选了最快落地的路（软件优化）。两条路都能走通，但受益的客户群不太一样：超大规模云厂商有能力做定制芯片，普通企业只能靠软件层省成本。