第一個用物理做計算原語的大規模生成模型Un-0來了，或將AI能耗降低1000倍？
重點摘要
一個名為Un-0的新模型問世，它是首個以物理運算為基礎原語的大規模生成模型，可能將AI能耗降低1000倍。這項突破被視為物理計算領域的「Hello World」時刻，有望解決當前AI能耗逼近極限的問題。
### 重點整理：物理計算原語的崛起
「Un-0」被稱作第一個以物理計算為基礎原語的大規模生成模型，它跳脫傳統神經網路倚賴的數位邏輯，改用真實物理系統的動態行為進行運算。這種方式並非模仿生物神經元，而是直接利用電子、光子或量子態等物理過程來完成計算；在概念上，它可能類似於把物理定律當作「程式碼」，讓系統自發演化出生成能力。雖然詳細的架構與實驗數據尚未公開，但業界推測其核心在於用「計算原語」取代傳統的加法與乘法——也就是說，計算本身不再透過電晶體開關，而是透過物理場的相互作用來實現。這項突破被形容為物理計算領域的「Hello World」，暗示著一種全新運算典範的誕生。
### 背景脈絡：AI能耗逼近物理極限
近年來，大規模生成模型的參數量動輒數千億，訓練一次所需電力相當於數百戶家庭一年的用電量。隨著AI應用普及，算力需求每三個月翻倍，已經超越摩爾定律的成長曲線，導致能耗成為AI發展的最大瓶頸。傳統數位晶片由於物理限制（如電阻發熱、漏電流）無法持續微縮，業界被迫轉向尋找替代方案。物理計算的概念並不新，但過去未能實現大規模生成模型，原因在於難以將物理現象「編程」為可複用、可擴展的計算單元。Un-0的出現，等於證明物理系統可以像神經網路一樣進行反向傳播或機率取樣，而且能耗優勢可能高達三個數量級。
### 可能影響：硬體與能源格局的顛覆
若Un-0真的能在相同任務下將能耗降低千倍，其影響將遠超AI領域。首先，資料中心的營運成本會驟降，使邊緣裝置也能運行大型生成模型，加速物聯網與自動駕駛等即時應用。其次，物理計算不需要極先進的製程（如3奈米），改用成熟製程結合特殊材料（如憶阻器、超導體）就能實現，可能大幅降低半導體產業的資本支出。然而，這種新典範也伴隨著巨大的挑戰：物理計算的「噪音」與「精度」難以控制，如何確保輸出穩定、可否大規模量產，都是後續需要克服的關卡。此外，若此技術成熟，傳統GPU、TPU的市場地位將被嚴重威脅，相關供應鏈可能面臨結構性轉型。
### 讀者可關注的後續：驗證、量產與生態系
由於目前只有單一模型的名稱與宣稱效果，缺乏公開論文或第三方複現結果，讀者應密切關注後續的學術發表與獨立驗證。可留意以下幾個方向：第一，Un-0的實際測試數據是否在標準基準（如語言理解、圖像生成）上與現有模型可比；第二，其硬體實現採用了哪種物理介面（如光子、量子、類比電路），這決定了量產的可行性；第三，學術界與業界巨頭（如Google、NVIDIA、IBM）是否跟進投入物理計算研究，或提出質疑。最後，各國能源政策與半導體補貼可能因此調整，因為低功耗AI對淨零排放目標有重大意義。短期內，建議先觀察是否有正式論文或白皮書問世，並留意台灣相關研究機構（如工研院、中研院）的回應，畢竟台灣在半導體與先進封裝領域扮演關鍵角色。
Related
相關文章
剛剛，全球第一個能同時掃微信和支付寶的AI眼鏡，誕生了
智東西 作者 | 雲鵬 編輯 | 心緣 智東西6月26日杭州現場報道，剛剛，XR領域頭部創企樂奇Rokid在生態開發者大會上正式發佈了新一代Rokid AR眼鏡，其重點提升了顯示效果。 此外，智能眼鏡操作系統YodaOS升級為AIOS，融入更多智能體能力，主動服務能力更強。 Rokid AR搭載了高通驍龍至尊版空間計算協處理器，支持空間+AI雙攝、6DoF立體空間、電致變色和58°FoV視野，可以說是規格拉滿。 Rokid創始人兼CEO祝銘明在採訪中特別提到，這顆芯片比高通近日發佈的驍龍Reality Elite芯片性能更強，提升幅度在20%左右。 不過這款AR眼鏡新品並未公佈具體售價和上架時間。 祝銘明在大會上做了一個重磅“預告”，Rokid AI眼鏡和Rokid AR眼鏡合二為一的AI+AR“完全體”產品，大概會在3-5年內落地。 AI眼鏡軟件生態層面，Rokid全球首發了微信掃一掃支付，其AI眼鏡也成為首個同時支持微信和支付寶的同類產品。 Rokid AI眼鏡上的YodaOS升級為“AIOS”，樂奇AI助手正式升級到2.0版本，主動智能、智能化UI交互呈現是其兩個核心能力升級點。 比如閱讀智能體，可以直接朗讀攝像頭識別到的信息； 作業輔導智能體，可以通過視覺識別輔導孩子作業； AI打車助手可以讓你直接用眼鏡打車，並且屏幕上實時追蹤車輛進度； 在臨近旅行、出差出發時AI助手會主動提醒，告知當地天氣與準備事項； AI助手可以用餅狀圖告訴你面前食品的卡路里，還能用可視化表格呈現世界盃賽事比分。 在Rokid看來，AIOS時代，AI會“繞過”App，變為自帶能力的原生服務主體，AI眼鏡使用AI有輕量化、多模態、全天候的特點。 值得一提的是，在AI付費模式方面，祝銘明在採訪中特別提到，未來Rokid可能會推出“Token收費模式”，今年用戶在Rokid平臺的AI消耗Token量
全網瘋搶體脂秤背後，阿福找到了健康AI的正確打開方式
“一代人有一代人的雞蛋要領”，這次輪到了體脂秤。6月25日，螞蟻阿福發起的“科學減重1億斤”健康行動正式上線，同時向全網發放“骨折價體脂秤”。除了9.9元快遞費，網友只需1分錢就能領到手，參與科學減重。社交平臺上，曬單和討論同步發酵，搶到的人曬出訂單截圖，紛紛表示“已下單”“等發貨”“真香”；沒搶到的在評論區急得團團轉，追問領取方式，反覆確認阿福真的給出了“地板價”。據螞蟻阿福旗艦店數據顯示，這款AI體脂秤上線24小時，領取量已經超過30萬臺。雷峰網記者在阿福APP實測發現，為了讓體脂秤送到真正需要的用戶手中，在阿福App下單需先支付30.01元，收到秤後綁定並完成AI解讀，就可獲得30元返現，相當於體脂秤到手只要1分錢。一臺體脂秤為何引發“全網瘋搶”熱潮？背後折射的，恰恰是普通人長期被健康管理困住的真實焦慮。1分錢領體脂秤，阿福把體重管理的門檻打下來體重管理的第一步，是瞭解自己的身體狀況。但現實是，很多人只知道體重，卻不瞭解體脂率、肌肉量、骨密度等基礎的體重管理概念。大多數時候只能憑感覺，毫無依據地開始節食或是突擊運動，沒過幾天又“放棄抵抗”，循環往復。阿福的第一步，就是把體重管理的基礎工具——體脂秤的門檻打下來。此次阿福提供的“骨折價”AI體脂秤，支持測量體重、BMI、體脂率、內臟脂肪、肌肉量等18項身體數據。用戶在阿福APP綁定體脂秤後，在阿福首頁“我的健康”以及阿福“健康檔案”，就可隨時查看健康數據，並清楚顯示指標屬於標準還是偏低、偏高。這些數據維度合在一起，讓用戶對身體狀況的瞭解能夠更加全面，進而體重管理更加科學。此外，阿福也支持接入手機、運動手錶和血氧儀等多種類健康硬件。用戶已有的體脂秤、手環、血糖儀、運動手錶，數據都可以同步到阿福APP。AI不再憑一個體重數字猜測身體，可以進一步基於多維數據給出貼合現狀的分析和方案；用戶也減少了在多個硬件APP和AI對話框來回
RoboScience機器科學發佈通用具身大模型Visics，首次完整展示VLOA雙引擎架構
雷峰網獲悉，6月24日，通用具身智能企業RoboScience機器科學在深圳成功舉辦通用具身大模型發佈會。會上，公司首次完整披露了自研Visics大模型的技術架構VLOA（Vision-Language-Object-Action），並展示了模型在多項真實場景的應用，包括全球最複雜具身操作任務傢俱拼裝。 RoboScience機器科學創始人兼CEO田野、聯合創始人兼執行總裁汪濤深度解讀了Visics大模型、底層技術架構VLOA和數據體系，並分享了未來在模型泛化、場景落地及生態構建等方面的戰略規劃。Visics大模型重新定義具身智能RoboScience機器科學創始人兼CEO田野告訴雷峰網，當前機器人操作面臨泛化能力差、精細操作難、長程任務誤差累積三大核心瓶頸。Visics大模型的突破在於首次通過自研技術架構VLOA，將Object Trajectory（物體3D點雲軌跡）作為中間接口，把“認知”與“執行”徹底解耦。他表示：“Object 這個詞本身有‘物體’和‘目標’兩種意思，所以它精確地描述了機器人本體跟物體要發生什麼樣的交互、要完成什麼樣的物體運動狀態的變化。我們自研以Object Trajectory為中心的 VLOA 架構，是因為它往上能夠精確地表示我們執行任務的內容，往下能夠精確地表示機器人要完成什麼目的。”VLOA（Vision-Language-Object-Action）創新架構實現了三大維度泛化：指導任意機器人、操作任意物體、完成任意任務。以抓取操作為例，相比現有基於特定物體和機械臂的方法，其在成功率、姿態多樣性及計算速度上均有顯著提升。 Visics大模型融合“具身世界模型”和“通用操作模型”兩大核心引擎，創新性地引入Object Trajectory作為中間接口，並以物體的連續3D點雲軌跡進行表徵。上層具身世界模型負責認知和預演物理軌跡，下層通用操作模
ICML2026 |SEER：自動增強+替換Patch，同時搞定噪聲、異常、缺失、分佈偏移的新SOTA模型！
原文作者：公眾號-時序大模型原文鏈接：https://mp.weixin.qq.com/s/ZJfbE2OFeV9kZ6kBrLTsDg雷峰網轉載本篇論文來自ICML2026，最新前沿時序技術，針對時間序列預測，提出了名為SEER的Transformer魯棒時序預測框架，首次實現多類型低質量時序數據的統一魯棒建模。文章信息論文名稱：SEER:Transformer-based Robust Time Series Forecasting via Automated Patch Enhancement and Replacement論文作者：Xiangfei Qiu、 Xvyuan Liu、 Tianen Shen、 Xingjian Wu、 Hanyin Cheng、 Bin Yang1 Jilin Hu研究背景時間序列預測是支撐金融經濟研判、智慧交通調度、醫療健康監測、電力能源調控、環境氣象預警等諸多關鍵領域的核心基礎技術，精準的長短期時序預測結果能夠為行業資源動態調配、風險提前預警、智能化精準決策提供核心數據支撐，具備極高的學術研究價值與工程落地價值。在時序預測模型迭代發展歷程中，傳統循環神經網絡（RNN、LSTM、GRU）依賴串行迭代計算，存在長距離時序依賴捕捉能力弱、並行度低、訓練效率差的固有缺陷；CNN類模型僅能聚焦局部鄰域特徵，無法建模長時序關聯；而傳統線性時序模型泛化能力不足，難以適配複雜非線性時序場景。近年來，基於Patch分塊建模的Transformer時序模型憑藉創新性的時序切割思路，成為時序預測領域的主流SOTA方案，代表性模型包含PatchTST、Triformer、Crossformer、xPatch等。這類模型的核心優勢是打破逐時間步建模的侷限，將連續完整的長時序序列均勻切分為若干具備完整局部語義的子序列分塊，以Patch分塊作為基礎建模與Tra
蘋果 Xcode 26.6 正式發佈，編程助手迎來“谷歌 Gemini”強力外援
蘋果Xcode 26.6 正式發佈，編程助手新增 Google Gemini 支持，開發者可在 Anthropic Claude Agents 和 OpenAI Codex 之外多一個 AI 輔助選項。該版本集成 Swift 6.3.3，並同步更新 iOS、iPadOS、tvOS、watchOS、visionOS 及 macOS 26.5 全平臺 SDK。