紅杉資本推出的Frontier Talks系列中，最近這期Naveen Rao的演講，真讓人耳目一新！

Naveen 曾創立最早一批 AI 芯片公司，帶領過Mosaic ML、Databricks AI，現在再次創業，做的公司叫 Unconventional AI。

但他的專業是神經科學PhD，這次的分享主題，也是這個維度的視角。

演講開場，Naveen便拋出了一個令全場噤聲的判斷，“我們正處于 AI 實驗的死胡同里，因為我們試圖用一種已經過時了 80 年的物理手段去模擬智能?！?/p>

他提出的影響 AI未來的核心矛盾，不是模型架構，而是底層熱力學效率與全球資源極限之間的不可調和。

Naveen 分析稱，全球 80 億人口，每個人腦的功耗僅為20 瓦，這意味著全人類大腦協同工作的總功率約為 160 吉瓦。

與之相比，當前的 AI 產業在訓練和推理端已經消耗了數吉瓦的電力，且隨著參數規模的指數級增長，這一數字將在未來三到五年內，觸及全球電網的承載極限。

“人類大腦的能效比比目前的 GPU 高出整整 100 萬倍，”Naveen 援引數據指出，“如果我們在這種能效比下談論 ASI（人工超級智能），那本質上是在談論一個需要吞掉恒星能量的怪獸，這在物理上是不可持續的。”（難怪馬斯克死活要搞他的太空算力?。?/p>

他認為，當前行業引以為傲的 Scaling Law，實際上是在用極端低效的能源，置換并不等價的智能輸出。

這種效率鴻溝的根源，被他歸結為“計算范式的原罪”。

自 1945 年馮·諾依曼架構確立以來，計算就被定義為，數字在內存和邏輯單元之間的不斷搬運。

Naveen 在演講中詳細拆解了 GPU 的功耗組成，指出 90% 以上的能量并非消耗在“計算”本身，而是消耗在“搬運數據”的路途上。

為了維持數字邏輯的絕對精確性，付出了過高的熱力學代價。

他直接挑戰行業共識稱，“智能的本質并不依賴于 0 和 1 的絕對精確，甚至不需要數字邏輯。我們在追求這種確定性的過程中，浪費了通往超級智能所需的大部分能量?！?/p>

為了論證他的新范式，Naveen 重點介紹了 Unconventional AI 正在研發的非線性動力學系統。

這是一種完全拋棄馮·諾依曼架構的硬件嘗試。在現場演示中，他展示了一個基于物理演化的 Demo——系統沒有任何顯式的矩陣乘法指令，僅僅是通過可訓練的硬件耦合器調節參數。

他投入一段隨機噪聲，然后觀察系統在物理時間域里的自然演化。僅僅幾毫秒后，系統便自動收斂成了清晰的貓與馬的圖像。

“計算就藏在這些動態交互里，它不再是一個步驟，而是一個過程?！彼忉尩?，這種系統利用物理系統自身的“能量最低點”來解決優化問題，這與大腦神經元的震蕩與同步邏輯如出一轍。

演講中最具爭議的部分，莫過于他對“松鼠智能”的量化分析。

他指出，一只松鼠在復雜林間跳躍、判斷距離并完成抓取動作時，其能耗不到 10 毫瓦，而這種實時處理空間信息、物理反饋和策略規劃的能力，目前的自動駕駛芯片即便消耗數百瓦也無法完美復刻。

“我們離物理極限差了好幾個數量級，這意味著我們甚至還沒摸到智能的門檻。”

Naveen 直言，如果不能從底層硬件層面解決能效問題，AI 行業將很快進入一個由電力短缺主導的停滯期。

他還進一步抨擊了傳統大廠在創新上的遲鈍。作為曾在 Intel、Databricks 擔任高管的行業老兵，他認為傳統半導體巨頭有著過于沉重的歷史包袱，無法拋棄現有的制程和指令集架構。

“要真正造出像大腦一樣動態、高效且擁抱隨機性的系統，必須從第一性原理出發，去造物理層面的新基石?！彼麍孕?，未來真正的護城河不再是誰擁有最多的 H100 算力集群，而是誰能率先將智能的能效做到“瓦級”。

演講中，Naveen 對在場的開發者和投資人提出了一個極其尖銳的忠告：不要再沉迷于刷榜那些細微的 Benchmark，而要抬頭看看實驗室窗外的電表。

他認為，當前由英偉達主導的算力霸權只是 AI 發展史上一個短暫的、極其低效的過渡期。

“以后誰能把大腦級別的能效做出來，誰就能重新洗牌整個行業。”他說。

最后，Naveen 用物理學家理查德費曼的一句名言結尾，“凡我不能創造的，我便無法理解?！?/p>

他想表達的大概是，不要滿足于“訓練出能干活的AI”，我們的目標應該是，理解智能的本質，并親手創造出像生物大腦一樣高效的智能系統，才是 AI 的出路。