# 纳文·拉奥：4D 计算、AI 的能源墙与超越生物学 > 纳文·拉奥谈能源是否真是瓶颈、token 成本与电力合同，去除抽象层、动力系统与新机器，以及产品化与移植现有模型。 - 原标题：Naveen Rao: 4D Computing, AI's Energy Wall & Beating Biology - 类型：嘉宾访谈 - 发布日期：2026-09-21 - 话题：纳文·拉奥：4D 计算与能源墙 - 网页版：https://allin.qiaomu.ai/ep/naveen-rao-4d-computing-ais-energy-wall/ - 视频：https://www.youtube.com/watch?v=yAsrMA_ADPc - 精读字数：约 4328 字（阅读约 10 分钟） > 本文为 allin.qiaomu.ai 基于原始节目的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 谷歌每个月要处理 3200 万亿个 token。按每 token 10 焦耳这个偏低的口径算，光是这一家公司的 AI 服务就要吃掉 12 吉瓦电力。 整个美国投进数据中心的电力大约是 40 吉瓦，全球加起来不到 100 吉瓦。一家公司占了全球的十分之一还多。 对照另外两个数字：人脑的功率是 20 瓦，一只松鼠的大脑是 8 毫瓦。 把这三组数字摆在一起的人是纳文·拉奥（Naveen Rao），Unconventional AI 的联合创始人兼 CEO。他之前创过两家公司：2014 年的 Nervana Systems，做 AI 芯片，那个年代还没人把 AI 当回事，后来卖给了英特尔；之后是 MosaicML，做 GPU 平台化，2023 年并入 Databricks，如今贡献了 Databricks 总营收的四分之一。他的履历里有一段别人补不上的东西：读完电气工程，又回头拿了神经科学博士。理由很简单，他想知道怎么造一台会思考的机器。五六岁的时候家里就有电脑了，他说自己当时以为编程是个解谜游戏。 ## 按现在的曲线，三年左右就要撞墙 拉奥说，能源不遥远，是三年内的事。 他的推算很直接：模型越大，能耗越高；需求在涨，能耗也涨。把这两件事画在图上，上面是一条指数增长的市场曲线，2025 年人们已经在说万亿美元市场，2030 年只会更大；下面是一条几乎线性的能源供给曲线。**中间裂开的那道缝，就是他这间公司存在的全部理由。** 数据中心这几年的瓶颈换过好几轮。最早是地板面积，能不能拿到机柜空间。然后是网络设备。再然后是 GPU。现在是电。顺序整个反过来了：先去签电力合同，再倒推怎么把这份电填满，用 GPU 和网络设备把它变成基础设施。 他还给了一个成本结构：**每次你在 ChatGPT 里发一句话，其中大约 50% 的成本是电费**，剩下的是硬件折旧和场地。所以今天整个行业的生意经是这样的，签下一份电力合同，然后想办法让每一瓦都赚到钱。 Unconventional AI 的商业计划就是把这句话反过来写：同样一瓦电，我们比现有硬件多赚一千倍。 ## 生物学给出的证据 人脑功率约 20 瓦。恒河猴的大脑只要 1 瓦。你口袋里的手机大概也是 1 瓦。老鼠和蝙蝠在毫瓦级。松鼠的大脑是 8 毫瓦。拉奥说，松鼠在树枝间跳跃的准确率是千次千中，而这样一颗大脑的功耗，你的手机能同时跑一百多颗。 这些数字的意义很直接：智能本身不需要那么多能量，是当前的实现方式需要。 能量到底花在哪了？拉奥给了一个对比。人类大脑皮层，也就是那层皱巴巴的外壳，信息吞吐大约是每秒 160 亿比特，而皮层里有一百三四十亿个神经元。一块高端 GPU 每秒进出内存的数据接近 30 万亿比特，芯片内部可能还要再高一到两个数量级。 **合成系统搬运的比特数比大脑多了三个数量级。能耗就是这么来的。** 计算机的历史也没帮上忙。机械、模拟、数字，形态换了三轮，但 1945 年的 ENIAC 和今天的机器在结构上几乎一样：外面一块内存，中间一个计算单元，比特来回搬。ENIAC 当年是为了算炮弹弹道造出来的，目标只有一个，比人算得快。今天的计算机还是这么卖的，这台比那台快一倍。**能耗效率从来没有进过设计目标。**过去靠缩小晶体管带来的效率红利，也就是摩尔定律，现在也基本停了。 ## 拆掉中间商：从半导体物理直接连到神经网络 拉奥的解法听起来像一句口号：把中间商砍掉。 计算机是层层抽象堆出来的。“数字”本身就是对物理世界的抽象，晶体管并没有真正的一和零，中间有大量状态，是人把它工程化成了一和零。抽象堆到最上面，才长出了神经网络和机器学习这类东西。每一层抽象都是有损的，正因为有损才叫抽象。**层数越多，离物理越远，浪费越大。** 大脑里没有线性代数，没有浮点数运算。是神经元的物理特性本身涌现出了智能。拉奥想做的事，就是找一层对半导体物理的抽象，直接接到神经网络上去。 这个思路在自然界有现成范本。鸟群里的每只鸟只做一件简单的事：看看左边，看看右边，判断旁边那只往哪飞。放在一起就出现了群飞这种涌现行为。蚁群同理。这套理论叫动力学系统（dynamical systems theory），已经有一百年历史，研究的就是简单组件之间的相互作用如何产生复杂的整体行为。 ## 节拍器、UNO 和稀疏性 拉奥举的例子是节拍器。 学过琴的人都知道那东西，左右摆动，滴答滴答。把好几个节拍器放在一块能轻微滚动的木板上，它们会自己同步到完全相同的相位。没有中央控制，全靠木板被每次摆动推挤的那一点点反作用力。放到几百个，一样会同步。 他问的问题是：这样的系统能不能拿来计算？ 他们发布了一个叫 UNO 的模型做验证。UNO 是一台图像生成模型，底座是一组振荡器，没用矩阵乘法。团队在仿真环境里跑通，开源了出去，任何人都能复现。这是第一次有人把这类系统规模化训练并拿到有用的输出，生成的图片是能看的。 他们还放了一张状态空间轨迹图。把系统状态定义成所有振荡器的相位，观察它随时间怎么演化，再用输出条件去约束它：要飞机就走出飞机的轨迹，要汽车就走出汽车的轨迹。不同目标对应不同轨迹。 之后几个月，团队在基础理论上又推进了一步。**他们发现可以扔掉一部分连接，系统表现反而更好，也更容易训练。** 起点是平方级增长的困境。十个元素两两相连是一百条连接，还行。一千个元素两两相连就是一百万条连接，这条路走不通。稀疏性问的是：扔掉一部分连接，还能不能保住整个系统的行为？答案是不仅能扔，扔掉之后更高效、更可扩展、性能还更强，三件事同时拿到。这个结论在仿真系统里成立，在真实物理系统里也成立。拉奥说这是长久以来没人拿到过的东西，卡住的原因在于过去的问题框架不对。 ## 第一台物理动力学计算机，每张图 500 纳焦 接下来讲的东西，拉奥说是第一次公开。 他们的第一台物理动力学计算机已经做出来了。公司今年一月才正式起步，当时连团队都没凑齐，但定下的目标是年内拿出第一台物理原型。6 月 1 日设计定稿送厂流片，芯片现在已经在实验室里，有实测结果。屏幕上放出了这台机器生成的第一批图像。 关键数字是能耗：**生成一张图大约 500 纳焦。**作为对照，普通 GPU 的量级是毫焦。纳焦是 10 的负九次方，中间差了好几个数量级。原因很直接，这台机器根本不搬运信息。 拉奥给这类机器起名叫 4D 计算。三个维度来自物理堆叠，芯片垂直堆叠加上平面布局；第四个维度是时间，也就是系统的动力学演化。这条路线和 CPU、GPU 完全不同。CPU 到 GPU 是在做并行化，计算和存储越来越细粒度地并行，但都还是冯·诺依曼架构：内存一块，计算一块，数据来回搬。**动力学计算机把计算和存储合成同一个东西，没有内存接口，每个计算单元自己就是存储器。** ## 目标是超越生物学 拉奥关心的指标是“每瓦智能”。 这里存在一个热力学上限，任何系统都不可能越过。哺乳动物的大脑离这个上限只差一到两个数量级。而今天的计算系统，离上限大约差 100 亿倍。 公司的判断是，用三年半可以摸到二维光刻工艺的物理极限。再往后的目标写在公司简介里，只有一句话：超越生物学。他预想的场景是计算无处不在，包括十年内出现的新形态机器人。 随之而来的是数据中心形态的变化。**从少数几个吉瓦级的大数据中心，变成散布各地的许多小型数据中心。**拉奥认为这是好事：更环保、更本地化、更能适配场景。再往后，是几十亿台机器人动态组合起来解决现实问题。 关于市场，他搬出了杰文斯悖论（Jevons paradox）：一样东西的底层成本下降，消耗量会超过成本下降的幅度。价格减半，用量涨不止一倍；价格降到千分之一，用量涨不止一千倍。如果这个逻辑成立，他会催生人类历史上最大的市场。 ## 从原型到产品：两年，一整个机架 演讲结束后，查马斯·帕里哈皮蒂亚（Chamath Palihapitiya）上台提问。他先问生态：英伟达在前面讲过了，从流片到封装，这条路要靠一整圈合作伙伴，从这版早期原型走到能放进别人机架里的东西，需要多久？ 拉奥的回答是两年内能出完整产品。形态是一整个机架，一套系统。对外表现为一台虚拟机，跑在某个地方的机架上，由他们运维。**接口是网络线缆，token 进、token 出，但内部结构和现有计算机完全不同。** 查马斯接着问了一个更实际的问题：现有的模型家族和架构，比如 KVCache 那一整套基于抽象堆出来的机制，你们打算怎么兼容？行业又该怎么迁移过来？ 拉奥说迁移这件事中间有一条滑尺，一端是“好多少”，另一端是“愿意忍受多麻烦”。他的选择是把“好多少”做到极致，让迁移本身足够诱人。移植是有的，运算层不用动，要动的是模型层。**现有模型可以跑，只是迁移过程需要不少算力。** 查马斯追问了一个技术细节：像矩阵乘法这种最基本的运算，你们那里存在吗？ > 它不存在。你可以把它描述成矩阵乘法，但它不是以矩阵乘法的形式实现的。它以随时间变化的行为来实现。你能分析出，它的每一个时间步，本质上就是当前状态矩阵乘以一个转移矩阵。（纳文·拉奥） ## 理论家和造芯片的人不说话 查马斯问团队构成。拉奥说这里面有理论家，来自已经有百年历史的动力学系统理论圈子；也有真正流片造芯片的工程师。**问题是这两拨人平时不交流。**公司最难的事情之一，就是让跨度这么大的技能拼在一起，围绕同一件东西协作。 那有没有一个类似 CUDA 的中间层，让上面的人和下面的人能对话？拉奥说他们做了一套 Python 库。谈不上是 CUDA，但算是一门语言，可以表达带有随机行为的时变元件。这就是上下两层之间的接口。 对话结束时，查马斯说了一句：极其大胆。拉奥说：谢谢。 那台机器每张图只要 500 纳焦，这个数字会被反复引用。但拉奥做事的顺序更说明问题：他先问的是内存和计算为什么必须分开，再去问抽象为什么要堆那么多层。 这两件事都能追到历史上。内存和计算分离，是因为 1945 年的目标是算得比人快，省电不在考虑范围内。抽象一层层堆起来，是因为每一层都让工程更好做，代价是每一层都在漏能量。这两件事在过去八十年里没人有动力去动，因为电一直很便宜。现在电不便宜了，问题就得从物理层重新长出来一遍。 至于这条路能不能走通，两年后那台机架有没有人买，是下一个问题。 - 判断一家 AI 公司的扩张速度，盯电力合同比盯 GPU 采购单更准。瓶颈已经从芯片换到了电，签下多少瓦决定了它能跑多少 token。 - 如果每瓦智能真的提升三个数量级，价值锚点会从“谁有最多 GPU”转向“谁的每瓦智能最高”。这条曲线可以当成新的筛选指标。 - 做模型和应用的团队，现在押注具体硬件架构为时过早，但有一条原则可以先想清楚：模型层保持可移植，运算层不要绑死。迁移成本会成为下一轮竞争的变量。 - 杰文斯悖论是对需求的乐观依据，成本降一个数量级，用量涨更多。但它同时说明，效率提升不会让总能耗下降，只会让消耗场景变多。 - 选职业方向的话，跨界的稀缺性在变贵。这家公司最大的内部难题落在沟通上：让动力学理论家和芯片工程师说上同一种语言。能同时听懂两边的人，接下来五年会很值钱。