主题 先锋 趋势 方法 作者
返回先锋
Naveen Rao
创新者 3 场深度对话收录

Naveen Rao

正在生成长图…

观点集合

20VC:机器人为何将比编码智能体大100倍|推理将成为10万亿美元市场:那些无人看见的趋势|Naveen Rao(Unconventional)谈软件投资者为何如今处境艰难

20VC

Rao预计美国闲置电力数年内趋紧,AI增长或受制于基建速度。Unconventional协同设计模型与硬件提升能效;Token降价挤压推理利润,Rao仍预测10年内推理市场达10万亿美元。他称机器人市场将比智能体编程大100倍,原型2至3年内出现、市场5至7年内成形,时间判断仍有分歧。

查看摘要(7段)
  • Rao预计,未来几年美国闲置电力容量将变得稀缺,AI增长将被迫放慢至基建建设速度。 他估算,每吉瓦建设成本约为500亿美元;年建10吉瓦就要投入5000亿美元,而如今声称能建40吉瓦并不现实。他认为当前的融资担忧“只是个小插曲”,信心来自AI服务需求会持续增长。
  • 硬件领域的机会,在于围绕能效重新设计模型与机器。 Rao认为,近期的提升主要来自更小的数据类型,物理层面的能效改进却已停滞。Unconventional的出发点是「我们不把模型奉为圭臬」(“we don’t treat the model as sacrosanct”):同时调整算法、架构和物理实现,才能释放单靠软件优化无法实现的增益。
  • Rao预测,10年内推理市场将达到10万亿美元,同时推理服务商的毛利率将承压。 Token价格下跌会挤压把模型映射到现有硬件上的中间层;提升能量转化为智能的效率,则有更大的差异化空间。他预计3年后开源模型将处理80%的Token,但开源与前沿模型的支出大致各占50%。
  • AI眼下的瓶颈正从产出内容转向判断内容是否有效。 Rao称,原本需要约2周才能解答的研究问题,如今1小时就能完成;但他警告:「我认为,问题已经从生产转向验证。」规格定义和有经验的人类判断仍不可或缺,因此他预计开发产出增长会快于支出从人力转向工具。
  • Stebbings提到由软件与人力共同交付结果的企业后,Rao对SaaS的批评范围明显收窄。 他认可这种模式,包括AI辅助法律服务;如果能对结果建立信心,他愿意把80%的法律工作交给服务商。悬而未决的问题是,现有律所能否留住分销渠道,还是供应商最终会直接销售这些结果。
  • Rao认为,机器人市场将比智能体编程大100倍。 他的时间表是:部分任务将在2至3年内出现可用原型,市场则会在5至7年内成形;Stebbings仍担心应用落地的时间,尤其是人形机器人。Rao目前看好技术栈,并预计模型开发商最终会成为一体化机器人公司:「两者不会分家。」
  • 当问题需求看起来有保障时,Rao如今更看重技术进展,而非市场验证。 对于万亿美元级市场,他认为价格「几乎无关紧要」;Stebbings则追问基金集中度、LP预期和有限的尽调时间。Rao的投资原则是押注「能开车的人」:最初的技术叙事会出错,团队必须能一路应变。

读精读全文 →

收听完整访谈 →

Naveen Rao:4D计算、AI的能源墙与超越生物学

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。

查看摘要(8段)
  • 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”。

读精读全文 →

收听完整访谈 →

那块可能解锁 AGI 的芯片

The a16z Show

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。

读精读全文 →

收听完整访谈 →