Unconventional AI 深度解析：沒有晶片的公司，為何估值 45 億美元

30 秒摘要

• Unconventional AI 於 2025 年 12 月 8 日宣布，以報導基準 45 億美元估值完成 4.75 億美元種子輪募資。 公司成立僅約兩個月，沒有晶片、沒有產品、沒有營收。以 1 美元兌 1,400 韓元計算，45 億美元約合 6.3 兆韓元，4.75 億美元約合 6,650 億韓元。
• 本輪由 Andreessen Horowitz 與 Lightspeed Venture Partners 共同領投，Lux Capital、DCVC、Databricks 與 Jeff Bezos 參與。執行長 Naveen Rao 以相同條件投入自有資金 1,000 萬美元。4.75 億美元是計畫最高 10 億美元募資的第一部分。
• 這家公司要為 AI 打造一台類比式、以物理定律為基礎的電腦：不在數位晶片上模擬神經網路，而是讓矽的物理本身——coupled oscillator（耦合振盪器）織物——直接進行運算，目標是比今日硬體低約 1,000 倍的能耗。參照點是約 20 瓦運作的人腦。
• 今天存在的，是模擬而不是矽晶片。 其首個模型 Un-0（2026 年 6 月）以 coupled oscillator 系統的模擬生成圖像，在 ImageNet 64x64 上達到 FID 6.74，與早期傳統生成模型相當。但訓練與執行都在傳統 B200 GPU 上完成。實體晶片尚未公開。
• 因此 45 億美元不是產品的價格。它是一位有兩次出場紀錄（Nervana 賣給 Intel、MosaicML 以 13 億美元賣給 Databricks）的創辦人、橫跨 MIT、Stanford 與量產類比設計經驗的四人創業團隊，以及「數位運算的能源牆可能迫使新基板（substrate）出現」這一可能性之選擇權的價格。本篇深度解析將拆解這個價格。

Background：沒有東西可出貨的種子輪

種子輪通常是買原型用的錢。Unconventional AI 的種子輪買的是一個研究計畫，而價格比照後期公司。

這家公司在 2025 年 9 月浮出水面。Naveen Rao 在 X 上暗示他正在共同創辦一家公司，要打造具有「腦規模效率（brain-scale efficiency）」的電腦。兩個月後，2025 年 12 月 8 日，Rao 與三位共同創辦人發表了成立文章：以 45 億美元估值募得 4.75 億美元，核心主張是 AI 產業正撞上一道能源牆，僅靠數位晶片無法以工程方式翻越。

四位創辦人是估值的第一行。Rao 是少數站在這個問題兩邊的創辦人。他在 Duke 學電機工程，在 Sun Microsystems 當過電腦架構師，後來離開工程界，在 Brown 取得計算神經科學博士，研究大腦如何以約 20 瓦的預算把感官輸入轉化為行動。之後他在 Qualcomm 從事 neuromorphic computing，2014 年共同創辦 Nervana Systems，打造不是從繪圖架構借用、而是圍繞工作負載設計的深度學習硬體。Intel 於 2016 年以報導基準約 4 億美元收購，Rao 隨後領導 Intel 的 AI 產品集團。2021 年他共同創辦降低大型模型訓練成本的 MosaicML，Databricks 於 2023 年以 13 億美元收購，Rao 成為 Databricks 的 AI 副總裁。兩次出場、合計報導價值約 17 億美元，都建立在同一個執念上：AI 的成本是硬體問題。

他身邊有 Michael Carbin——研究程式系統與新基板運算基礎的 MIT 副教授，也是 MosaicML 的共同創辦人。Sara Achour 是研究編譯器與物理基礎運算的 Stanford 助理教授。MeeLan Lee 則是先後待過 Google、Qualcomm、Intel 的類比電路設計師，是團隊中真正做過量產環境類比矽晶片的人。這個組合是刻意的：一位反覆出場的執行長、兩位把軟體映射到物理動力學的理論家、一位知道類比設計會死在哪裡的實務者。

問題陳述很簡單，而且到目前為止經驗上為真。AI 能力隨運算量成長，運算量隨電力成長。如今資料中心是圍繞電力——發電容量、電網連接、冷卻——來規劃，而不是圍繞晶片。Rao 的框架是：「AI 本質上與硬體相連，硬體本質上與電力相連。因為能源問題，我們無法把單位時間的推論次數提高到某個水準以上。未來十年，我們生產不出那麼多額外的能源。」公司的說法是，需求成長將在三到四年內追平能源供應的線性成長。時間表是否精確另當別論，方向並無爭議：每次推論的能源如今是一級成本，也是一級約束。

在這個背景下，公司提議拋棄主導運算 80 年的抽象。數位電腦把一切表示為數字，逐步模擬動力學，代價是巨大的能源。自然的學習系統從不這麼做。「自然的學習系統從未使用過數值。它們不模擬學習的動力學。它們利用所依附基板的固有物理來建立學習系統。我們相信我們可以在矽中重現那種行為。」Rao 說。

Business Deep Dive

1. 交易的算術：45 億美元配 4.75 億美元說了什麼

從算術開始，因為算術就是故事本身。以投後估值 45 億美元募入 4.75 億美元新資金，意味著新投資人買下公司約 10.6%，而投前估值——想法與團隊、其他一無所有之物的價格——約為 40.3 億美元。相較之下，這個投前估值約是 Databricks 在 2023 年買下有產品、有客戶、有營收的 MosaicML 價格的三倍。

結構與規模同樣重要。4.75 億美元如公司所述，是最高可達 10 億美元募資的第一部分；更早的報導稱公司為那個更大的輪次尋求 50 億美元估值。這種分段募資是一台里程碑機器：第一次交割為願景定價，第二次交割將為願景到那時產出了什麼定價。Rao 本人以相同條件投入的 1,000 萬美元，相對 4.75 億美元約 2%，金額雖小，象徵意義卻承重——它把「創辦人相信」從一句簡報文案變成資產負債表上的事實。

投資人實際承銷了什麼？不是現金流折現——沒有現金流。承銷的是一個機率加權的選擇權：這個團隊打造出 GPU 之後基板的小機率，乘上成功時擁有一塊有意義的 AI 運算版圖的價值，再加上團隊已證明之被收購能力的下限價值。下面第 6 節把這個選擇權講明。

2. 科學：讓物理來運算

技術賭注有三層。

第一層：類比而非數位。 類比電路以連續的電壓與電流、而非位元來表示量。對 AI 實際執行的運算——海量的 multiply-accumulate、動力學、從分布中取樣——物理系統往往可以成為運算本身，而不是模擬運算。Rao 本人的例子是風洞：工程師至今仍建風洞，因為空氣流動的物理模型直接計算了數位流體力學要昂貴地近似的東西。主張是：神經網路更接近風洞，而非試算表。它是一個隨機、分散的動力系統，硬把它塞上確定、精確的數值基板，會把能源預算的大部分浪費在工作負載從未要求過的抽象上。

第二層：以 coupled oscillator 為基本元件。 公司第一個公開成果 Un-0 把抽象主張具體化。Un-0 是一個影像產生器，其運算引擎是 coupled oscillator 的大群體，以 Kuramoto model 建模——那是描述節律單元（同一張桌子上的節拍器、螢火蟲、心臟節律細胞）如何互相拉向同步的數學。每個 oscillator 有一個相位；可學習的參數是每一對 oscillator 之間的耦合強度，以及每個 oscillator 的固有頻率。生成圖像時，系統從隨機相位開始，一小組條件 oscillator 把群體偏向所要求的類別，放任物理演化，最後讀出相位圖案並解碼成像素。學習，意味著學習耦合——解碼器占模型參數不到 13%，公司的 ablation 結果顯示 oscillator 本身在做有用的運算，而不是在裝飾一個傳統產生器。

第三層：共同設計，即「neural co-evolution」。 公司主張模型與硬體必須一起設計：讓記憶體在物理上靠近運算，重複使用物理狀態而不是為每個 token 重新載入數十億參數，並把硬體的不完美當作模型要學習的對象，而不是工程要消除的對象。雜訊是最清楚的例子。在數位設計中，雜訊是你要花能源壓制的敵人。在這個架構中，生成式 AI 本來就從隨機性開始，而在特定基板上訓練的網路可以學會那個基板的變異。數位晶片花在強制完美均勻上的能源，在這個敘事中，根本就不花。

效率目標來自熱力學，而非基準測試：公司主張，數位 AI 硬體目前運作的位置與物理上可能的位置之間，差距大約是三個數量級，因此有約 1,000 倍這個數字。必須精確指出這個數字的地位。它是理論差距的估計，不是測量值。它從未在硬體上被證明，而 Un-0 的結果——在 16,384 個 oscillator、3.22 億參數的配置下於 ImageNet 64x64 達到 FID 6.74，落在早期 GAN 與 diffusion 家族初登場時的區間——驗證的是學習主張（物理動力系統可以被訓練來在中等規模上做真正的生成任務），而非效率主張，因為 Un-0 本身跑在 B200 GPU 上。

3. 今天存在什麼：一個模擬、一串論文軌跡、五年的時鐘

以公司最新的公開里程碑來看，清單很短。有成立文章與技術部落格，公開了 Un-0 的權重、訓練程式碼與 ablation 程式碼——一份真正的開放研究成果，比許多隱形硬體新創公開的都多。沒有晶片。也沒有公布的 tape-out 日期。Rao 表示未來幾年將用來「嘗試一些想法與原型，找出最能高效擴展的範式」，並談到打造晶片大約五年的時間軸，說公司將與 TSMC 合作，並稱第一個原型「可能是人們做過最大的類比晶片之一，也許是最大的」。公司把最終產品定位為系統打法——矽晶片加上完整的推論堆疊，最終作為運算提供商競爭——而不是零組件銷售。

從這裡到那裡之間，橫著類比運算最古老的問題，而 Rao 本人點了名：類比電腦是最早的電腦之一，本質上有效率，但輸給數位是因為製造變異——它們無法擴大規模。每個元件都略有不同；溫度變化與製程變異引入誤差並累積。數位之所以獲勝，正是因為它對這種混亂無動於衷。Unconventional AI 的全部科學賭注是：在神經網路工作負載這個特定情況下，這個 80 年前的判決可以被推翻，因為神經網路能容忍——並能透過訓練吸收——正是那些讓類比在砲兵射表與會計上不可用的變異。

4. 懷疑論的論點

誠實的反方論點有四個部分，沒有一個是小事。

精度與轉換開銷。 類比運算有雜訊，雜訊會在大運算中累積。歷史上，類比加速器在核心矩陣運算上看起來最好，在系統層級上看起來最差，因為在類比與數位域之間轉換訊號——每個邊界上的 ADC 與 DAC——可能消耗掉類比核心省下的大部分能源。任何效率主張，若不是在真實工作負載上以牆上插座為準、端到端測量，就應該打折。Unconventional 的 1,000 倍目前是對一個尚不存在之基板的預測。

可程式化性。 GPU 的護城河不只是效能；而是同一顆矽晶片星期一訓練一個模型、星期二服務另一個模型。類比系統傾向把運算嵌入物理結構，因而僵化。公司的答案——通往物理的軟體介面，加上一支由兩位專攻此事的創辦人打造的編譯器——在紙面上合理，在實務上未經證明。AI 硬體的歷史，充滿了輸給 CUDA 靈活性的更快晶片。

擴展性。 模擬 16,384 個 oscillator 生成 64x64 圖像是一個研究成果。量產的推論基板需要在現代語言模型的規模上實現等效的動力學，以訓練能吸收的變異製造，以晶圓廠（foundry）願意簽字的高良率（yield）製造。從模擬到原型、從原型到產品、從影像生成到 LLM 推論——每一步都殺死過類比公司。這個領域也不是空的：類比記憶體內運算已被他人追求多年（Mythic 已出貨用於邊緣推論的類比處理器），北京大學團隊在 2025 年底報告了一個基於 RRAM 的類比矩陣運算系統，聲稱對 GPU 有很大的效率提升。這既證明這個方向在科學上是活的，也證明 Unconventional 並不擁有這個方向。

移動的基線。 數位效率不是靜止的。Rao 本人在 Databricks 時指出，AI 每單位能力的成本正以每年約 4 倍的速度下降——是 Moore 定律的十倍——靠的是更好的模型、量化與系統工作。五年後到達的類比基板，競爭的對象不是今天的 GPU；它要以每 token 成本，與五年複利累積的數位效率和成熟的軟體生態競爭。1,000 倍的目標，部分正是在承認這一點。

5. 要讓 45 億美元成立，什麼必須為真

把價格剝到承重假設。要讓 45 億美元的種子估值在事後看起來合理，大致需要以下成立：

把這張表當漏斗來讀。假設 1 與 2 是投資人在 2025 年 12 月可以合理有信心承銷的。假設 3 到 5 是 45 億美元真正所在之處——它們是二元的、彼此相關的（三者都是「物理能否擴展」的不同面向），並且需要數年才能解開。假設 7 是疊在科學風險之上的商業風險：即使基板能運作，也必須取代科技業最根深柢固的供應鏈。

再看讓老練投資人願意簽字的報酬算術。創投報酬服從冪律：基金不需要 Unconventional 很可能成功；它需要成功分支的回報巨大，而且進場股權有意義。如果一個新的運算基板以軟體般的利潤率拿下 AI 推論支出的一位數低段百分比，公司就值數百億到數千億美元——它將部分取代的在位者以兆美元計價。對照那個回報，為約 10.6% 付出 4.75 億美元是一個已定價的選擇權，而履約價是時間：如果物理在錢、或產業的耐心耗盡之前不能擴展，選擇權就到期。計畫中邁向 10 億美元的第二段募資是這個選擇權的續約日——它將以屆時存在的任何原型證據來定價，是關於這家公司未來最具資訊量的單一數據點。

6. 下行：地板由什麼構成

對一家無產品公司，下行分析通常只有一個詞——零——但這裡的地板有些結構。第一，團隊地板：Rao 前兩家公司分別以報導基準約 4 億美元與 13 億美元被收購，一支結合 MosaicML 校友網絡與 MIT、Stanford 研究群的團隊，在失敗情境下仍可能被收購——儘管價格會遠低於 45 億美元的種子後估值，這對種子投資人的報酬算術沒有安慰，只是軟化絕對損失。第二，IP 地板：開源的模型工作建立的是聲譽與招募引力，而非可防守的 IP；若有可防守層，將是硬體與編譯器堆疊，而兩者都尚未存在。第三，現金地板：4.75 億美元對一家研究階段公司是數年的跑道，這是雙面刃——它移除了探索階段的融資風險，也移除了融資風險所施加的紀律。現實的壞結果不是突然崩塌，而是緩慢的——在小規模能運作的原型、在系統層級縮水的效率，以及一個 2030 年代的世界裡，公司成為一間有著昂貴資本表的受尊敬研究室。

Chase's Take

暫時把物理放下，看這筆交易。成立兩個月、4.75 億美元種子輪、45 億美元估值，其實不是 Unconventional AI 的估值。它是一個類別主張的估值：數位抽象 80 年的統治正在結束，因為稀缺資源如今是能源，而不是電晶體。投資人買的不是晶片。他們買的是在運算基板改變時能早期進場的權利，並向一位履歷讀起來像是專為這個賭注準備的人支付創辦人溢價：那位先當工程師、再成為神經科學家，在蔚為風潮之前就打造工作負載專用硬體並賣掉，然後把效率軟體層也賣掉的人。

我的解讀是，這個價格由三部分組成，按大小排序。最大的是基板更替的選擇權，其定價依據是 AI 推論的規模，而不是公司已打造的任何東西。第二是團隊——真正稀缺：極少有團隊能把量產類比設計、物理系統的編譯器理論，以及一位在 AI 效率上有兩次出場的執行長結合在一起。第三、也是最小的，是迄今的科學：Un-0 是一個可信的研究里程碑——受訓的 oscillator 在做真正的生成工作，並且公開發表——同時，以其主張來衡量，它離證據還差三個數量級的模擬。64x64 圖像上的 FID 6.74 告訴你學習是可行的。它還沒有告訴你物理能否出貨。

我反覆回到的細節是分段募資。Rao 沒有一次拿 10 億美元；第一筆 4.75 億美元被明確稱為第一部分。這要麼是信心（「第二次交割定價時，我們會更值錢」），要麼是紀律（「在為公司定價之前先證明範式」）——從一位賣過兩家公司的人身上，我兩者都讀到，並把它當作追蹤這家公司的方法。不要看估值頭條。看三件事：第二段是否交割、以什麼價格、憑什麼成果；oscillator 計畫是否——哪怕只在模擬中——逃出影像生成、進入語言模型規模的展示；以及是否出現附帶牆上效率數字的實體原型。在第三件事發生之前，這家公司的每一個效率數字——包括 1,000 倍——都是關於熱力學的陳述，而不是關於產品的陳述。

對半導體產業而言，更深的訊號在於瓶頸移到了哪裡。十年前稀缺的是 FLOPS。然後是記憶體頻寬——HBM 時代。Unconventional AI 是一個 4.75 億美元的論點：下一個稀缺的是焦耳，而且當焦耳綁得夠緊，產業將容忍重新打開它在 1940 年代關上的問題：非數值運算、作為演算法的物理、被訓練而非被程式化的硬體。即使這家特定的公司失敗，這個論點如今已獲得足以保證模仿者、論文與原型的資金規模。這種價格，正是產業宣布一個研究方向已成為戰略的方式。

最後校準一次。「45 億美元、沒有晶片」的正確先驗不是「泡沫」，也不是「願景」。它是「刻意的未定價風險」。投資人確切知道上表中七個假設中有幾個未經證明——他們還是簽了條款書，因為它們全部成立的那一個情境，價值超過其他六個情境的成本。我們其餘的人則能觀看一個乾淨的實驗：有史以來資金最充裕的測試，檢驗大腦的運算方式能否在矽中重建。這個實驗值得逐里程碑地、公開地、帶著數字地追蹤。

Implications：投資與經營啟示

給投資人。 把這個部位當成有可見續約日的二元選擇權。會重新為這家公司定價的數據點依序是：(1) 邁向 10 億美元的第二段募資——其價格與時機是市場更新後的機率估計；(2) oscillator 方法在語言模型規模上的展示，哪怕是模擬；(3) 附端到端（牆上插座）效率數據的第一顆矽晶片；(4) 任何公開的超大規模業者評估。在這些出現之前，標記的是論點，而不是頭條估值。可比的風險不是其他有產品與採購訂單的 AI 晶片新創，而是研究階段的基板賭注，其時間表以年、而非季滑移。

給半導體策略師。 創業團隊的組成就是策略訊號：編譯器與程式系統坐在類比電路旁邊，因為歷史上殺死替代基板的是軟體介面，而不是元件物理。若你在 AI 矽晶片領域競爭，監控項目不是 Unconventional 的 FID 分數；而是它的「通往物理的軟體介面」方法是否吸引到能讓非數位基板可程式化的理論家與編譯器工程師。人才流向會在基準測試之前顯示這個範式的可信度。

給資料中心與能源規劃者。 不要在任何容量計畫中放入 1,000 倍的效率係數。公司自己的時間表是數年的原型開發，而數位效率在此期間繼續複利成長。這一輪在資本配置——而非工程——層面上驗證的是：每次推論的能源，如今已被最大的 AI 投資人定價為戰略約束。那些假設推論需求可以在沒有能源答案下成長的計畫，正是這 4.75 億美元被募集來反向下注的計畫。

給研究者。 Un-0 附權重、訓練程式碼與 ablation 的公開釋出，讓 oscillator 方法在公開場合可證偽——基板主張正是應該這樣被檢驗的。開放問題具體且可檢驗：品質對 oscillator 數量的擴展行為與傳統前沿相比如何、學到的耦合對元件變異的穩健性、以及任何實體實現中轉換開銷的大小。按這個順序的進展，就是科學記分板。

FAQ

Unconventional AI 有晶片嗎？ 沒有。以其最新公開里程碑（Un-0，2026 年 6 月）來看，公司展示的系統是在傳統 GPU 上運行的 coupled oscillator 軟體模擬。實體類比晶片正在開發中，公司描述了多年的原型計畫與 TSMC 合作，但尚未展示矽晶片，也未公布 tape-out 日期。

為什麼一家沒有產品的公司值 45 億美元？ 報導基準的 45 億美元是 2025 年 12 月的種子階段投後估值，不是產品的市場價格。它為三樣東西定價：有兩次出場紀錄（Nervana 以報導基準約 4 億美元賣給 Intel；MosaicML 以 13 億美元賣給 Databricks）的創業團隊、結合類比設計與編譯器理論的稀缺專業，以及在 AI 能源約束迫使新運算基板出現時的選擇權。投資人以 4.75 億美元買下公司約 10.6%。

coupled oscillator 方法用白話說是什麼？ 公司不以逐步模擬神經網路的數位開關來運算，而是想讓實體 oscillator——像節拍器一樣有節律循環的電路——的網絡，透過彼此同步的過程來執行運算。可學習的參數是 oscillator 之間的耦合強度。物理沉降到同步圖案本身就是推論，這就是為什麼公司認為它能比以數值模擬相同動力學省下遠遠更多的能源。

接下來該看什麼？ 按資訊價值排序的三個里程碑：邁向總額 10 億美元募資的第二段之交割與定價；在語言模型規模任務上對該方法的展示（Un-0 涵蓋的是影像生成）；以及附端到端效率測量的第一顆實體矽晶片。在最後一項出現之前，約 1,000 倍的效率數字仍是理論估計，而非已證明的結果。

來源與狀態註記：估值、輪次規模與投資人組成是 2025 年 12 月 8 日宣布時的報導數字；公司為未上市公司，其條款未經獨立稽核。技術成果（Un-0）是公司於 2026 年 6 月公布的自有數字。韓元換算全程使用 1 美元兌 1,400 韓元。

📩 訂閱 VLSI Korea 電子報

每日半導體深度分析，第一時間寄到您的信箱。免費訂閱。

免費訂閱