Бывший директор по AI в Databricks хочет снизить энергопотребление нейросетей в 1000 раз

Стартап Unconventional AI представил свою первую публичную разработку — модель генерации изображений Un-0, которая демонстрирует работу принципиально новой вычислительной архитектуры. Компанию основал Навин Рао, ранее возглавлявший AI-направление в Databricks. Главная заявка: снизить энергопотребление при инференсе в 1000 раз по сравнению с существующими решениями.

В сопроводительной научной статье команда описывает, как построила полноценную модель генерации изображений на программной симуляции новой архитектуры. По качеству результатов Un-0 сопоставима с современными диффузионными моделями — такими как Stable Diffusion или GPT Image 1 от OpenAI.

Осцилляторы вместо транзисторов: в чём суть

Традиционные вычислительные архитектуры — от CPU до GPU — строятся на транзисторных схемах. Unconventional AI делает ставку на осцилляторные вычисления: принципиально иной способ обработки информации, где вычислительные элементы работают через фазовые колебания, а не бинарные переключения.

Преимущества такого подхода технически сложны, но Рао формулирует итог просто: при той же вычислительной нагрузке осцилляторный чип должен потреблять в тысячу раз меньше энергии, чем современные ускорители. Компания планирует в ближайшее время опубликовать схемы реального чипа — пока Un-0 работает исключительно на программной симуляции.

Конечная цель — выстроить полный стек инференса: от собственных чипов до облачного API, куда поступают запросы и возвращаются ответы модели. «Мы построим систему из наших чипов, запустим на ней AI-модели и подключим сетевой кабель — промпты на вход, инференс на выход, но при 1/1000 от нынешнего энергопотребления», — говорит Рао.

Энергия как главный ограничитель AI-гонки

Амбиции Unconventional AI выглядят особенно значимо на фоне глобального контекста. Крупнейшие технологические компании — Microsoft, Google, Amazon, Meta — суммарно планируют потратить сотни миллиардов долларов на строительство дата-центров для AI-нагрузок только в 2025–2026 годах. Значительная часть этих инвестиций уходит не на серверы, а на энергетическую инфраструктуру: подстанции, генераторы, системы охлаждения.

Рао убеждён, что именно доступность электроэнергии станет жёстким потолком для дальнейшего масштабирования AI. «Масштабирование AI упирается в энергию. В ближайшие несколько лет это будет фундаментальным ограничением — через него просто не перепрыгнуть», — заявил он в интервью TechCrunch.

Эта проблема актуальна не только для гигантов. Небольшие AI-компании и стартапы всё острее ощущают, что стоимость инференса — то есть запуска уже обученной модели для ответа на запрос пользователя — растёт быстрее, чем снижается стоимость обучения. Именно инференс сегодня формирует основную операционную нагрузку для большинства AI-продуктов.

Масштаб задачи против размера команды

Примечательно, что на момент публикации в Unconventional AI работает менее 50 человек. Для компании, которая заявляет о намерении переписать физические основы вычислений, это крайне скромный ресурс. Впрочем, история технологических прорывов знает немало случаев, когда небольшие команды с нестандартным подходом опережали корпоративные R&D-лаборатории.

Рао не скрывает, что путь будет долгим. Реальные чипы ещё не существуют в серийном виде — есть только симуляция и схемы. Построить полный производственный цикл, верифицировать архитектуру на реальном железе и выйти на конкурентоспособные характеристики — задача на несколько лет. «В течение следующего года вы начнёте видеть довольно интересные новости», — обещает он.

Что это значит для белорусского IT-рынка

Для белорусских компаний, работающих с AI-продуктами или строящих собственные модели, тема энергоэффективности инференса пока кажется далёкой. Однако резиденты ПВТ, занятые в разработке AI-решений на заказ или развивающие собственные SaaS-продукты с AI-компонентом, уже сталкиваются с тем, что стоимость облачного инференса через AWS, Azure или Google Cloud становится значимой статьёй расходов.

Если Unconventional AI или аналогичные проекты действительно смогут кратно снизить стоимость вычислений, это изменит экономику AI-продуктов в целом — и откроет новые возможности для небольших команд, которые сегодня ограничены бюджетом на API-вызовы. Пока же Un-0 — это скорее «hello world» новой парадигмы, как сам Рао и называет свою разработку: доказательство концепции, а не готовый продукт.