Un-0: generator obrazów bez tradycyjnych sieci neuronowych — oscylatory mogą ciąć zużycie energii 1000-krotnie
Startup Unconventional AI opublikował Un-0 — generator obrazów oparty na sprzężonych oscylatorach Kuramoto zamiast klasycznych sieci neuronowych. Na ImageNet 64×64 osiągnął FID 6,74. Firma celuje w 1000-krotne obniżenie energochłonności inferencji AI.
25 czerwca 2026 r. startup Unconventional AI, założony przez Naveena Rao (byłego dyrektora AI w Databricks), zaprezentował Un-0 — generator obrazów oparty nie na klasycznych sieciach neuronowych, lecz na symulowanym systemie sprzężonych oscylatorów Kuramoto. Na zbiorze ImageNet 64×64 model osiągnął FID 6,74 — wynik porównywalny z klasycznymi modelami dyfuzji z czasu ich debiutu. Wagi i kod treningowy zostały udostępnione na GitHubie na licencji Apache 2.0.
Jak działają oscylatory zamiast sieci neuronowych
Oscylatory Kuramoto to układy matematyczne, w których każdy element oscyluje w swojej fazie, a siły sprzężenia między elementami są parametrami uczonymi. Zamiast przepuszczać dane przez warstwy perceptronów, Un-0 inicjalizuje fazy losowo, dobiera klasę docelową i "puszcza" fizykę — pozwala systemowi ewoluować przez określony czas — po czym przechwytuje stan i dekoduje go do pikseli przez niewielki konwolucyjny dekoder (mniej niż 15% całkowitych ~322 mln parametrów).
Cel: 1000-krotnie mniej energii
Kluczowym argumentem biznesowym jest energochłonność. Inferencja na GPU polega na masowym przełączaniu tranzystorów, co generuje ogromne ciepło i zużycie prądu. Obliczenia oscylacyjne opierają się na prawach fizyki układu, a nie na cyfrowych przełącznikach — co ma potencjał drastycznego obniżenia poboru mocy. Unconventional AI celuje w architekturę, w której "kabel sieciowy przyjmuje prompty i odsyła odpowiedzi przy 1/1000 zużycia energii" typowego GPU.
Stan obecny i droga do przodu
Un-0 to badawcza demonstracja koncepcji — osiągane rozmiary obrazów (64×64) są skromne wobec współczesnych generatorów. Firma planuje skalowanie zarówno rozdzielczości, jak i liczby oscylatorów. W dłuższej perspektywie Unconventional AI chce przenieść architekturę na dedykowany układ scalony zdolny do rzeczywistego poboru mocy wielokrotnie niższego niż GPU — co byłoby przełomem w erze, gdy energochłonność centrów danych AI staje się poważnym wyzwaniem infrastrukturalnym.