Unconventional AI presenta Un-0: el chip de osciladores que genera imágenes consumiendo 1.000 veces menos energía
Naveen Rao, el ingeniero que ya revolucionó los chips de IA con Nervana (comprada por Intel) y luego dirigió la división de IA de Databricks, acaba de lanzar Un-0: un modelo de generación de imágenes que no usa GPUs. Funciona con osciladores acoplados — física analógica en estado puro — y según sus creadores consume 1.000 veces menos energía que un sistema tradicional equivalente.
🧠 Esto no es otro chip de IA. Es otra forma de hacer computación
Llevamos una década ejecutando redes neuronales sobre GPUs: chips originalmente diseñados para renderizar gráficos, reconvertidos a base de multiplicaciones matriciales masivas. Funciona, pero el coste energético es demencial. Entrenar un modelo grande puede consumir lo mismo que 130 hogares estadounidenses en un año.
La propuesta de Unconventional AI es radicalmente distinta: en lugar de simular la física dentro de un ordenador digital, usan la física del silicio directamente para calcular. El chip no ejecuta instrucciones — deja que osciladores acoplados evolucionen en el tiempo y ese comportamiento es el cómputo.
Según explican en su repositorio de GitHub, Un-0 es un "sustrato de computación física emergente". Traducido: un circuito analógico donde las señales eléctricas rebotan entre osciladores de forma natural, y ese baile de voltajes —sin una sola multiplicación matricial— produce imágenes sintéticas.
"Hemos construido Un-0, un generador de imágenes impulsado por un sistema simulado de osciladores acoplados", escriben en su paper de presentación. "Creemos que el próximo salto en eficiencia energética requiere un ordenador fundamentalmente diferente, uno donde la física haga el cómputo".
📊 FID 6.74 en ImageNet y código 100% abierto
El modelo actual de Un-0 genera imágenes de 64×64 píxeles sobre ImageNet y alcanza un FID de 6.74. Para ponerlo en contexto: cuando los primeros modelos de difusión y GANs empezaron a publicarse, ese FID era competitivo con el estado del arte de la época. No está a la altura de un Stable Diffusion 3.5 generando a 1024×1024 — pero es un "hello world", no un producto final.
Lo importante no es la resolución. Es que lo han conseguido con una arquitectura que no tiene nada que ver con un transformer ni con una red convolucional. Los pesos, el entrenamiento, el código de ablación y los checkpoints están publicados con licencia abierta en GitHub (180 estrellas, 25 forks en 48 horas).
DiarioBitcoin lo resume bien: "Utiliza osciladores acoplados en lugar de redes neuronales tradicionales. Logra un FID de 6,74 en ImageNet con una promesa de 1.000 veces menos consumo energético".
💰 475 millones de dólares y una valoración de 4.500 millones
Unconventional AI no es una startup de garaje. Salió del sigilo en diciembre de 2025 con una ronda seed de 475 millones de dólares y una valoración de 4.500 millones, según confirmó TechCrunch. Es una de las rondas seed más grandes de la historia del hardware de IA.
Naveen Rao no es un recién llegado. Fundó Nervana Systems en 2014, que Intel compró por más de 350 millones de dólares en 2016. Luego dirigió la división de productos de IA de Intel y más tarde fue head of AI en Databricks. Sabe lo que hace y los inversores lo saben.
El objetivo declarado de Rao, según sus propias palabras en X, es construir "un ordenador que sea tan eficiente como la biología". El cerebro humano procesa información con unos 20 vatios. Un clúster de GPUs entrenando un LLM consume megavatios. La diferencia son seis órdenes de magnitud.
🔌 Mientras tanto, ¿con qué hardware generamos imágenes hoy?
Un-0 es una simulación por software. El chip físico no existe todavía. Mientras tanto, si quieres ejecutar Stable Diffusion, Flux o DALL-E en local, necesitas hardware real. Aquí van las opciones que usa la gente ahora mismo:
Para generación de imágenes seria, una NVIDIA RTX 4070 Super 12GB es el punto dulce calidad/precio. Si vas más justo de presupuesto, una RTX 3060 de 12GB sigue moviendo Stable Diffusion sin despeinarse (yo mismo la usé durante meses y cumple).
Para edge computing y experimentos con inferencia local, el Google Coral USB Accelerator es un TPU en miniatura que enchufas por USB y acelera modelos TensorFlow Lite. No genera imágenes, pero da una idea de hacia dónde va el hardware especializado en inferencia eficiente.
🏭 ¿Qué significa esto para la industria?
Estamos en 2026 y el consumo energético de la IA es un problema político y económico. Los centros de datos para IA están tensionando redes eléctricas enteras. Microsoft acaba de firmar un acuerdo para reabrir Three Mile Island. Google y Amazon invierten en reactores nucleares modulares.
En ese contexto, un chip que promete dividir el consumo por 1.000 no es una curiosidad académica — es una necesidad de mercado. SiliconANGLE señala que Un-0 es el primer modelo de una serie que la compañía planea escalar. El siguiente paso lógico es fabricar el chip físico y demostrar que la eficiencia se mantiene en silicio real, no solo en simulación.
No es el único jugador en computación neuromórfica. Intel tiene Loihi 2, IBM tiene NorthPole e iniciativas académicas como SpiNNaker llevan años explorando arquitecturas inspiradas en el cerebro. Pero Unconventional AI es el primero en demostrar un modelo generativo funcional sobre esta arquitectura y en liberarlo como código abierto desde el día uno.
La pregunta real es si la promesa de los 1.000x se mantiene cuando pasen de simulación a silicio. He visto suficientes demos de laboratorio que no escalan como para ser escéptico, pero también he visto a Naveen Rao cumplir antes. Nervana no era vaporware — Intel no paga 350 millones por humo.
Mi opinión: prestad atención a esto
No sé si Un-0 acabará en cada móvil dentro de 5 años o si será otra promesa de laboratorio que se diluye al escalar. Lo que sí sé es que la computación analógica para IA ya no es un paper académico — tiene 475 millones de dólares, un fundador con historial y código abierto.
Personalmente, me flipa la idea de que un circuito analógico —sin una sola línea de código tradicional— pueda generar imágenes. Es volver a los fundamentos de la computación y preguntarse: ¿y si en lugar de simular la física, dejamos que la física compute?
El código está en GitHub. El paper está en su blog oficial. Si te interesa el hardware del futuro, échale un ojo ahora, antes de que esto sea mainstream.