Naveen Rao
观点集合
Naveen Rao：4D计算、AI的能源墙与超越生物学
- 🗓️ 日期：
2026-09-21｜ 🎙️ 节目：All-In
Unconventional AI启动仅5个月便完成芯片流片，图像生成能耗约500纳焦耳，低于GPU的毫焦耳级。4D架构将计算与内存结合，目标是实现1,000倍功耗效率并应对约3年后可能到来的AI能源墙；完整机架级产品预计2年内推出，但模型迁移、Python软件栈及跨学科团队仍是关键风险。
查看访谈对话精读提要
Naveen Rao公开展示了他所称的“有史以来第1台物理动力学计算机”：Unconventional AI于6月1日完成芯片流片，此时距离公司在1月“正式启动”仅5个月，而且芯片已经在实验室生成图像。 核心数据是：每张图像约耗费500纳焦耳，而GPU需要毫焦耳级能耗——“效率比标准计算机高出多个数量级，原因就在于它根本不搬运信息。”
Rao此前的履历构成了这场押注的背景：他于2014年创办Nervana Systems，随后将其卖给Intel（并称自己卖得“早得离谱”），执掌Intel的AI部门，之后与团队搭建GPU扩展基础设施，并于2023年与Databricks联手。
公司的目标是让功耗效率达到现有硬件的1,000倍，Rao也将时间表从5年压缩至3.5年——“有意思的是，我们确实借助AI更快地解决了非常深层的科学问题。” 更大胆的终局目标是：“这家公司的总体目标，是超越生物学。”
推动这一论点的能源测算是：仅Google每月处理的token就超过3200万亿个；按每个token 10焦耳计算，相当于12 GW——而美国数据中心总功耗约40 GW，全球则不足100 GW。 Rao估计：“我们很快就会耗尽能源，大约就是3年左右。”由于token服务成本约50%来自能源，商业逻辑就是“我们的变现效率将达到现有硬件的1,000倍”。
生物学提供了可行性证明：人类大脑功耗为20瓦，猴脑为1瓦——与你的手机相同；松鼠大脑则只有8毫瓦。 机制差距在于数据搬运：人类皮层每秒移动约160亿比特，而GPU在内存进出时移动约30万亿比特，芯片内部移动的数据量还要多出“10–100倍”。
这种架构超越了传统的冯·诺依曼设计——“把计算和内存放在同一个东西里，我们没有内存接口”——并被命名为“4D计算”：通过芯片堆叠实现3个物理维度，再加上时间这一第4维。 一项关于稀疏性的配套突破，则把连接规模按n²增长的问题变成了“圣杯级”结果：删掉部分连接后，系统同时获得了更高的效率、更强的扩展性和更好的可训练性。
在Chamath的追问下，Rao表示完整产品将在“2年内”面世：这将是一套机架级数据中心系统，“token通过网线输入、输出，但内部构造完全不同”。 现有模型可以运行——迁移发生在“模型层”，而不是算子层——但硬件中并不存在通常意义上的矩阵乘法，软件栈也将是Python库，而非CUDA。
投资逻辑的加分项是Jevons悖论：Rao称，价格减半可能带来超过2倍的消费量，而将价格降至1/1,000，消费量可能超过原来的1/1,000。 他认为，以1,000倍的幅度颠覆规模约1万亿美元的2030年AI市场——“可能还要更大”——将创造“人类历史上最大的市场”，基础设施形态也会从GW级数据中心转向“遍布各地的大量小型数据中心”，最终延伸至“数十亿个机器人”。
🔗 原始收听与视频来源： Naveen Rao：4D计算、AI的能源墙与超越生物学