Matt Bornstein
前沿洞察
AI正把确定性代码重构为概率系统，模型已跃升为第四大基础设施支柱。底层由以vLLM为代表的开源推理框架承载可控性与算力异构，上层则迎来交互革命——Cursor印证了“极致界面与工作流定义权”足以穿透巨头生态封锁。但创业防御壁垒绝非概率生成本身，而在于深层工程上下文、客观验证闭环与高转换成本。
观点集合
那块可能解锁 AGI 的芯片
Unconventional试图为随机、时变工作负载打造物理学习基底，以模拟动力学突破矩阵乘法的效率限制。这项押注依赖五年内找到类似智能的范式并实现量产，TSMC、跨学科人才和人脑能效只是阶段性证据。
查看摘要（6段）
Naveen Rao 的核心判断是，AI 面临的能源墙需要改变计算机，而不是只把今天的架构继续做大。 他说，美国数据中心已经消耗全国电网约4%的电力，而一些估算认为，未来10年还需要新增400 GW。瓶颈正变成物理问题：“当前范式尽管已经足够优秀、也把我们带到了今天，但无法把我们带到那个水平。”
Unconventional AI 的起点是物理学习理论，而不是传统芯片路线图。 Rao 希望使用自身动力学就能执行有用智能的电路，而不是依赖多层数字抽象：Bornstein 将这一想法概括为“智能就是物理学”（“Intelligence is the physics”），Rao 表示认同。人脑功耗约20瓦，而松鼠或猫可能只需约0.1瓦——如此巨大的效率差距，足以让人重新审视第一性原理。
模拟计算并非要取代数字计算，而是针对可能受益于物理动力学的随机、随时间变化的工作负载。 Rao 关注扩散模型、流模型和能量模型，因为它们的动力学可以写成常微分方程，并有可能映射到物理系统上。他的目标是打造与传统计算并行的“智能基底”，对需要精度的问题仍保留数字计算。
Rao 认为动力学可能补上当前 AI 缺失的因果性，但他反复称 AGI 这一论证“很不严谨”。 他的直觉是，由具有真实时间演化的元素构成的系统，比那些基础中不包含这类动力学的系统，更有可能理解因果关系。他说，今天的模型已经包含智能、也非常有用，但距离 AGI“还差得远”（“nowhere close to AGI”），因为它们仍会犯基础错误，也还不像是在与一个人共事。
商业化的检验标准，是 Unconventional 能否在5年内找到一种类似智能的物理范式，并实现大规模量产。 Rao 认为，TSMC 将是原型开发和最终规模化所必需的合作伙伴；他判断 Google 拥有完整的内部能力，正围绕 TPU 持续进行低风险改进，而 Nvidia 已经建立起占据主导地位的编程平台。Unconventional 正试图构建“比矩阵乘法更好的基底”，但 Rao 没有预设双方必然直接竞争，也为合作留下空间。
执行风险极高，但 Rao 认为这不是一次盲目跳跃，而是有多项局部验证支撑。 人脑提供了存在性证明，超过40年的学术研究显示出这一方向的潜力，动力系统和神经科学理论则提供了工程师可以组合并“打磨”的零件。首个原型可能是规模最大的模拟芯片之一，甚至可能是有史以来最大的模拟芯片，因此，理论、系统、算法、模拟电路和数字电路等领域的人才都构成这一命题的核心。