AIは計算をやめて振動する――画像生成AI「Un-0」はなぜ省電力になり得るのか【AI記事】

どうも、イケ助です。今回も気になる話題を整理します。

📝 この記事は、公開情報をもとに作成した AI 記事です。（たまに人手で調整している場合があります。）利用時には事実確認をお願いします！

画像生成AIの電力問題を考えるとき、普通はGPUを速くする話になります。演算器を増やす。メモリを広くする。低精度化する。しかし、Unconventional AIが公開した画像生成モデル「Un-0」は、少し違う問いを置いています。GPUで物理現象を計算する代わりに、将来は物理現象そのものに計算させられないか、という問いです。

結論を先に書くと、Un-0が示したのは「結合振動子を主な計算機構にした画像生成モデルが、GPU上のシミュレーションで成立した」ことです。一方、現在公開されている実装はPyTorchによる参照実装であり、物理振動子チップの実測ではありません。約1000倍規模という数字も、現時点でUn-0の実測値ではなく、同社が物理コンピューティングで目指す将来のエネルギー効率です。Unconventional AIの公式紹介と公開リポジトリを読む限り、この区別が最も重要です。

もくじ！！

Un-0は何を作ったのか
結合振動子とは何か
蔵本モデルは、誰が誰をどれだけ引っ張るかを表す
GPUは振動を計算し、振動子チップは本当に振動する
原理的には、どこで電力を節約できるのか
現在のUn-0は、GPU上の振動シミュレーションである
「1000倍」をどこまで信じてよいか
物理計算の難題は、計算部の外側にもある
まとめ：省電力の本質は「計算を物理に置き換える」こと
参照元

Un-0は何を作ったのか

Un-0は、拡散モデルのノイズ除去やGANの対戦を使わず、結合した振動子群の位相が時間とともに変わる過程から画像の潜在表現を作る、クラス条件付き画像生成モデルです。ランダムな初期位相から始め、クラスを表す小さな振動子群で条件を与え、所定時刻の位相を読み出して通常の畳み込みデコーダーで画素へ変換します。

公開コードは「plain PyTorch reference implementation」と明記されています。CIFAR-10（32×32）とImageNet-64（64×64）を別々に学習し、最大モデルは16,384個の振動子、3億2244万パラメータです。ImageNet 64×64でADM evaluatorによるFID 6.74、CIFAR-10でclean-FID 8.86がリポジトリに示されています。ただし二つのFIDは評価器が異なるため、横並びにはできません。また、FIDは画像分布の近さを測る指標であって、消費電力を測るものではありません。READMEの評価条件を分けて読む必要があります。

学習も「物理チップが勝手に覚える」段階ではありません。公式説明では、結合行列、固有周波数、デコーダーをAdamWでエンドツーエンド学習し、ダイナミクスは明示Euler法で数値積分しています。最大のImageNet-64モデルは8基のB200 GPUで640 GPU時間を使ったとされます。さらに損失の計算には通常のDINOv2特徴抽出器を使います。省電力チップの完成報告ではなく、まずアルゴリズムと学習レシピを公開した段階です。

結合振動子とは何か

振動子は、繰り返し変化する部品や現象です。振り子、メトロノーム、交流回路、リング発振器などが例になります。一つなら自分のペースで回りますが、複数を結ぶと、互いの状態に応じて少しずつ進み方が変わります。机の上のメトロノームが揃う例は、この直感をつかむ比喩です。

ただし計算として大事なのは「揃う」という見た目だけではありません。各振動子には、周期のどの位置にいるかを示す位相があります。二つの位相の差、回る速さである周波数、振れの大きさである振幅、そして誰が誰にどれだけ影響するかを決める結合強度が、情報を表せます。Un-0で学習する中心は、振動子同士の結合強度を並べた行列と固有周波数です。生成中の状態は主に各振動子の位相に保持されます。

つまり「振動しているから情報がある」のではありません。物理量の現在値と、その相互作用の設計が情報です。物理回路なら電圧、電流、位相、周波数として存在し、ソフトウェアならそれらを浮動小数点数としてメモリに保持します。この違いが、後で出てくる電力の話につながります。

蔵本モデルは、誰が誰をどれだけ引っ張るかを表す

Un-0が使う基本形は、結合振動子を表す蔵本モデルです。

`dθ_i/dt = ω_i + Σ_j K_ij sin(θ_j - θ_i)`

数式が苦手でも、左から右へ「i番目の振動子が今どのくらいの速さで位相を進めるか」を決める式だと読めば十分です。

θ（シータ）は、振動の周期のどこにいるか、つまり位相です。
ω（オメガ）は、他者に影響されなければどの速さで回るかという固有周波数です。
K（ケー）は、j番目がi番目をどの程度引っ張るかを決める結合強度です。正なら揃いやすく、負なら反対向きへ寄せる働きも作れます。
sin(θ_j - θ_i)は二者の位相差による影響です。差があれば押したり引いたりし、同じ位相ならこの項はゼロになります。

各振動子が相互に影響を受けながら並行して時間発展するので、局所的な組み合わせの結果が全体の模様になります。Un-0は、その時間発展の所定時刻における状態を画像の潜在表現として使います。画像は「一個の振動子が一画素を描く」ものではなく、多数の位相が作る状態をデコーダーが画素に翻訳したものです。

GPUは振動を計算し、振動子チップは本当に振動する

ここに重要な対比があります。GPU上のUn-0は、微分方程式を細かい時間刻みで数値計算して、振動を再現します。重みと状態をメモリから読み、差や正弦、積和を計算し、新しい状態を書き戻す。公開実装は明示Euler法なので、この反復をソフトウェアとして実行します。

一方、将来の物理振動子チップでは、回路そのものを発振させ、結合回路を通じて互いに影響させる構想です。実装は電圧や電流、光、機械運動などの物理量を使い得ます。物理系の時間発展が、そのまま微分方程式の時間発展に対応するなら、CPUやGPUが一ステップずつ命令を発行しなくても状態は変化します。言い換えると、GPUは振動を計算する。振動子チップは本当に振動する。

これは「物理なら答えが一瞬で出る」という意味ではありません。Un-0も初期状態から所定の時刻まで進みます。物理回路でも、所定の時間発展と観測には時間が必要です。違いは、その途中の更新をデジタル演算とメモリ転送で模擬するか、回路の自然な時間変化として走らせるかです。

原理的には、どこで電力を節約できるのか

最初の候補はデータ移動です。今日のGPUでは、演算そのものだけでなく、重みや中間活性をメモリと演算器の間で運ぶ電力が大きな問題になります。物理振動子の状態と結合が同じ回路網にあり、その相互作用で更新まで進むなら、「読んで、掛けて、書く」を減らせる可能性があります。

二つ目は並行性です。結合振動子は、一個ずつ順番に更新されるのではなく、全体が同時に時間発展します。多体問題を、多体のまま解くという見方です。ただし、全結合の大規模回路にしたとき、結線、信号配布、寄生容量、初期化や読み出しの制御まで安くなるとは限りません。Un-0の結合行列は大きく、実装形態によっては配線が主役になります。

三つ目は表現です。途中状態をFP32の明確な数値として保持せず、位相差や周波数という連続量で扱えるなら、必要な精度に合わせた物理表現を選べます。しかし、アナログ量には温度変動、ノイズ、製造ばらつき、経年変化、読み出し誤差があります。低精度でよい仕事に向く可能性と、学習済みモデルがどれだけ誤差に耐えるかは別問題です。

四つ目は反復の置換です。Un-0は拡散モデルのような「学習済みネットワークを多数回呼ぶノイズ除去」は使わないと説明されています。ただし時間発展はあります。現在のソフトウェアではEuler積分の反復です。将来の実ハードウェアでは、その反復に相当する時間発展を自然現象に肩代わりさせられるかもしれません。ここに期待の核心があります。

現在のUn-0は、GPU上の振動シミュレーションである

この点は強調しておきます。Un-0の公開リポジトリはPyTorch実装で、NVIDIA A100、H200、B200 GPUでの学習検証を掲げています。現在のモデルがGPU上で通常のニューラルネットワークより省電力だとする、公開された公平なシステム全体比較は確認できません。むしろ、GPUで振動子を模擬すれば、正弦関数と時間刻みの計算が加わるため、用途によっては不利になり得ます。

確認できた成果は、結合振動子を主な計算機構として画像生成を成立させ、コード、学習法、重み、評価結果を公開したことです。まだ実証されていないのは、実チップで1000倍省電力になるか、入出力・外部メモリ・制御回路を含めても有利か、大規模化して安定に同期するか、そして学習まで物理回路で実行できるかです。

「1000倍」をどこまで信じてよいか

公式記事は「約1000倍少ないエネルギー」を目標に掲げ、GitHub READMEも物理・アナログハードウェアが「on the order of 1000×」低エネルギーを指し示すと書いています。しかし、Un-0のページには、完成チップでの電力計測、比較対象GPU、タスク、スループット、入出力を含む測定境界を示すベンチマーク表はありません。

従って、この数字は実測値でも、Un-0のGPU実装の測定値でもありません。本記事では、「同社は約1000倍規模のエネルギー効率向上を将来目標として掲げている」と扱います。可能性を否定する数字ではありませんが、実チップの消費電力、精度、面積、速度、冷却、変換回路まで含む比較が出るまでは、性能表のようには読めません。

では、振動子に関連する計算を専用回路へ移せば、実際にどの程度の効率改善が見込めるのでしょうか。Un-0そのものの測定値ではありませんが、参考になる独立研究があります。蔵本型の局所結合ドリフトを対象にしたSA-Kuraは、45nm CMOSの合成・電力解析で、特定のドリフトカーネルについてJetson Orin Nano CUDA実装と比べ、画素当たりのエネルギー消費を約46分の1に抑えたと報告しています。ただしこれはUn-0でも物理振動子チップでもなく、デジタルの専用シストリックアレイ、かつカーネル単体の比較です。SA-Kura論文は、専用化で効率が上がり得ることを示す一方、比較条件を外挿してはいけないことも教えてくれます。

物理計算の難題は、計算部の外側にもある

振動子計算では、ノイズやばらつきが単なる実装上の細部ではありません。位相をどの精度で初期化するか。数千、数万の振動子に条件をどう注入するか。最終状態をデジタルの画像にどう読み出すか。学習した結合強度をどのようにプログラムし、更新するか。全結合を望むなら配線密度と消費電力をどう抑えるか。これらはすべてシステム効率を左右します。

また、Un-0は最終的に通常の畳み込みデコーダーを使います。公式記事によればデコーダーはパラメータの13%未満ですが、ゼロではありません。特徴抽出器を使う学習も含め、物理系に置き換わる部分と残るデジタル処理を切り分ける必要があります。物理現象を使えば、入出力や制御まで消えるわけではありません。

まとめ：省電力の本質は「計算を物理に置き換える」こと

振動子AIが効率的になり得るのは、振動が魔法のように省電力だからではありません。GPUが命令、メモリ転送、数値演算で再現している時間発展を、実際の物理系に直接実行させられる可能性があるからです。効率化の本質は「より速く計算する」だけではなく、「計算として実行していた処理を、物理現象に置き換える」ことにあります。

Un-0はその可能性を画像生成で試した、公開コードのある初期例です。現時点で省電力チップの勝利を示したものではありません。それでも、AIの次の計算基盤を考えるうえで、アルゴリズム、回路、学習、測定を一緒に問い直す材料にはなります。次に見るべきなのは1000倍という見出しではなく、実チップの測定条件と、システム全体を含めた比較です。

参照元

（ニュース収集日：2026.07.26）

この記事はイケ助がお届けしました。

イケ助

【池波（管理人）からひと言】
昔、オーディオでもデジタルかアナログかみたいな論争がありましたよね。（もしかして今もあります？）まぁ今回のこれはそういう話ではなくて、なんか省電力で使えそうな技術が提案されたって感じなんだと思いますが。。。話飛びますけど、超ひも理論とかでも結局ひもの「振動」みたいなのがポイントで、結構物事の根幹に関わっていそうな現象の感じがしますよね。やっぱり科学は最終的にはそういう根源的な現象を利用する方向に進んでいくんでしょうかね。