Unconventional AI

1.1 创立、架构与使命

Unconventional AI 由资深技术人 Naveen Rao 于 2025 年末创立，使命是突破人工智能计算即将触及的功耗墙。公司没有继续做晶体管渐进缩放或传统数字处理器优化，而是打造一种新型计算基底，让神经网络运算直接运行在硅的非线性物理特性上。这一路线以生物神经回路为根本灵感，目标是逼近人脑的极高能效——人脑总功耗约为 20 瓦。已披露的公司材料显示其在加州有两个区域据点：技术资料将旧金山列为主要总部，早期融资记录则提到在圣迭戈设有运营机构。公司的长期目标是通过紧密的软硬件协同设计，在数据中心推理工作负载中实现最高 1,000x 的能效优势，方案包括定制混合信号动力学电路和新型编程抽象。[CO001, CO002, CO003, CO004, CO013]

1.2 领导层、团队与治理

Unconventional AI 的战略定位和融资势头，建立在创始人兼 CEO Naveen Rao 的高管履历之上。Rao 曾共同创办 Nervana Systems，这家深度学习硬件先驱于 2016 年被 Intel 以约 $350M–$400M 收购；他随后担任 Intel 人工智能平台部门的公司副总裁。2021 年，Rao 又共同创办高效模型训练与基础设施平台 MosaicML，该公司于 2023 年 7 月被 Databricks 以 $1.3B–$1.4B 收购，之后他负责 Databricks 的 AI 工作。Unconventional AI 的创始核心还汇集了 MIT 教授 Michael Carbin、斯坦福助理教授兼模拟编译器研究者 Sara Achour，以及资深半导体高管 MeeLan Lee，学术与硬件能力互补。领导团队横跨神经科学、编译器系统和实体芯片实现，具备罕见的多学科可信度；但公司在外部融资、战略视野和人才招募上，对 Rao 存在明显的关键人物依赖。[CO005, CO006, CO007]

1.3 资本结构、估值与投资人联盟

2025 年 12 月，Unconventional AI 完成创纪录的 $475M 种子轮融资，建立 $4.5B 投后估值基准，成为科技史上资本最充足的种子期半导体企业之一。融资由顶级风投 Lightspeed Venture Partners 和 Andreessen Horowitz 联合领投，Sequoia Capital、Lux Capital、DCVC、Future Ventures、Databricks 及知名科技天使 Jeff Bezos 参与。为表明个人投入，Naveen Rao 按与机构投资者相同的条款投入了 $10M 自有资金。主流金融和科技媒体持续确认 $4.5B 估值，但行业数据库 TBPN Digest 刊出异常的 $500M 估值，显示数据报道仍有分歧。科技媒体进一步称，这笔 $475M 融资只是计划累计 $1B 资本规模的首期，用于多年密集流片和并行架构原型开发。[CO008, CO009, CO010, CO011, CO014]

1.4 经营规模、商业化与战略风险

截至 2026 年 10 月，Unconventional AI 严格来说仍是零收入、未商业化的研究机构：没有活跃客户账户、没有部署中的量产硅片，内部员工人数也未公开。商业模式设想未来直接向企业销售硬件、与超大规模云厂商联合开发并许可云软件，但公开商业化里程碑仍要多年后才可能出现。非标准半导体开发本身就存在重大执行阻力，包括打造能处理多样前沿工作负载、同时抗噪且可编程的模拟架构这一根本技术难题。多年硅开发周期还让公司暴露于 NVIDIA、AMD 等 GPU 巨头的激进反击；这些公司的年度经营现金流和研发预算，按数量级远超 Unconventional AI 的全部种子轮资产负债表。若要持续推进多轮制造迭代，公司必须严格管控资本，并拿出经过验证的实体硅原型。[CO012, CO014, CO015]

1.5 展示

2.1 市场定义、支出边界与结构性范式

人工智能硬件市场正在模型训练与持续推理执行之间发生结构性分化。早期基础模型扩展依靠大规模 GPU 集群进行并行批量训练，而推理工作负载是持续发生的运营支出，主要由连续功耗和电价驱动。Unconventional AI 明确位于推理加速领域，目标是解决电力供应已成为运营约束的数据中心环境。其可服务市场包括专用推理加速器硅、混合信号处理器子系统和软硬件协同设计的算法运行时层；不包括通用工作负载的传统冯·诺依曼数字 CPU、标准商品 DRAM 模块及超大规模设施配电设备。替代方案包括运行量化低精度模型的主流 Nvidia GPU 集群、Google TPU 或 Groq LPU 等专用数字张量处理器，以及超大规模云运营商自研的 ASIC。[CM001, CM002, CM003]

2.2 可服务市场测算视角与能源约束

测算替代型 AI 计算的可服务市场，需要从多个互补视角分析，而不是依赖单一的自上而下预测。最宽口径看，全球加速计算硅支出已超过 one hundred billion dollars annually，增长动力来自超大规模数据中心扩张。其中，专用数据中心推理硅片构成约 forty-five billion dollars 且快速扩张的细分市场，因为已部署模型正从初始训练转向持续的多用户生产。更具体地说，Unconventional AI 瞄准电力受限的高密度推理场景，数据中心在此面临硬性的电气互连上限。人脑能够以持续约 20 瓦的功耗完成复杂认知处理，为相较传统数字架构提升最高 a one-thousand-fold efficiency improvement 提供了生物学上的存在性证明。不过，神经形态和模拟计算基底仍大多处于商业化前阶段，近期可服务收入只能来自研究资助、学术探索和探索性概念验证原型。[CM004, CM005, CM006, CM007, CM013, CM014]

2.3 目标买家分层、工作流与预算归属

AI 计算硅的采购逻辑随客户群体显著不同，决定了不同的采用路径和预算归属。超大规模云服务商是主要的长期客户群，其基础设施工程负责人和数据中心设施主管控制着受兆瓦供电能力约束的资本预算。对这些运营商而言，降低每个 token 的推理焦耳数，就能在不新建变电站的情况下直接扩大可用数据中心容量。前沿 AI 研究实验室和基础模型开发者构成第二类买家，关注算法效率和对时延敏感的生成式应用，由 CTO 和 AI 基础设施 VP 负责。二线企业云平台及受监管的本地部署运营商构成第三类，更看重总拥有成本和硬件可靠性，而不是尚属推测的前沿架构。目前，Unconventional AI 主要通过学术资助项目与学术及机构研究实验室接触，在 Stanford、MIT、Yale、UT Austin 和 UC Berkeley 等顶尖机构中建立基础软件范式。[CM008, CM009, CM010]

2.4 采用驱动、技术瓶颈与尽调缺口

关注非常规 AI 计算基底的核心催化剂，是未来十年全球电网容量不可能跟上预期推理需求的物理现实。传统数字半导体依靠离散时钟周期和模拟数字抽象，在存储器与处理核心之间持续搬运数据，因此遭遇严重的冯·诺依曼瓶颈和散热限制。但快速商业采用仍有很大阻力。以 Nvidia CUDA 生态为核心的主流 GPU 架构，拥有超过 15 年打磨的软件库、编译器优化和广泛的开发者锁定。新型模拟或动力学系统架构不仅要证明实体硅的能效，还要提供无缝的软件编译器、稳健的抗噪能力和可预测的数值稳定性。公开数据还显示资本条款存在重大尽调缺口：二手报道给出的种子期估值互相冲突，一个是五亿美元，另一个是四十五亿美元，凸显审阅原始条款清单和经审计资本表的必要性。[CM006, CM007, CM011, CM012]

2.5 展示

3.1 竞争格局横跨架构与采购选择

可见竞争格局远不止神经形态初创公司。独立公司资料将 Cerebras、Groq、SambaNova、Graphcore 和 Untether 列为专用 AI 计算替代方案；Mythic、BrainChip 和 SynSense 位于模拟或神经形态赛道；Celestial AI 解决相邻的互连基础设施问题；Intel 则代表在位的神经形态项目。买家也可以继续使用传统 GPU 集群，或围绕内部硅片搭建方案，尽管指定证据没有量化这些现状选项。Unconventional AI 因而同时争夺架构可信度、软件采用、供应获取和采购信心。现有资料足以做竞争者分类和阶段标注，却不足以比较收入、出货、客户或部署数量。[CP007, CP008, CP009]

3.2 技术差异清晰，但尚未达到基准可比

Unconventional AI 描述了一种向神经网络软件暴露非线性物理动力学的硅基底，而不是用传统确定性抽象复现这些动力学。其公开技术证据包括模拟的 Un-0 图像生成器、据报道在 ImageNet 64x64 上取得 6.74 的 FID、最多削减 98.4% 连接的稀疏化结果，以及动力学系统指令集研究。第三方报道还提到 SoC、CPU、第三方 IP 模块、混合信号电路和 RRAM 等新型非易失性存储器。这些披露确立了独特的设计方向，却不等于生产级加速器已经具备同等水平：保留来源没有提供实体硅吞吐量、每 token 焦耳数、可靠性或工作负载可移植性数据。[CP001, CP002, CP003, CP004, CP005, CP006, CP014]

3.3 商业比较受制于缺少封装与定价信息

指定证据没有披露 Unconventional AI 的标价、合同结构、折扣、服务等级或量产封装，也没有提供所列替代方案的同口径价格，因此数值化总拥有成本比较会是编造。公司转而通过 $500,000 学术项目进行生态投入，最多发放五笔 $100,000 资助；独立报道则提到 $475M 种子融资和 $4.5B 估值。一份摘要给出相冲突的 $500M 估值，不应与其他一致的 $4.5B 数字混用。融资说明公司有能力推进原型，却不能证明商业规模、定价能力、供应可得性或买家切换。[CP010, CP011, CP012, CP013]

3.4 护城河能否持久取决于跨过模拟商业化鸿沟

护城河有两点可能持久：覆盖模型、指令集、电路、存储器和封装的协同设计；以及横跨非常规电路、循环数据移动、动力学架构和 3D 集成的研究网络。但目前没有证据表明二者能形成买家锁定。独立报道将 1,000x 能效目标描述为目标或承诺，而负面报道强调模拟精度和制造良率挑战。另一篇报道称，公司预计要在多个原型上实验数年，才能确定哪种架构能实现经济化扩展。在 Unconventional AI 量产前，数字加速器、公开的神经形态厂商、在位研究项目和现状方案都有较大机会继续改进。关键尽调事项是独立硅基准、客户试点、工具链兼容性、晶圆厂与封装计划，以及切换成本证据。[CP002, CP006, CP009, CP014, CP015, CP016]

3.5 展示

4.1 收入模式与商业进展

没有任何已审阅来源披露正在运行的商业收入流、已确认收入、ARR、实际定价、合同积压或具名付费客户。公司描述软硬件协同设计的芯片愿景，独立报道则描述模拟芯片和片上系统方向，但二者都没有说明未来变现究竟来自芯片销售、系统、许可、云消费还是服务。这些路径应视为投资判断假设，而非当前收入线。公开记录在技术研究活动上的证据强于商业化：官网披露截至 2026 年 9 月的研究发布和学术资助项目，但这些活动不能证明客户需求或收入质量。[CI006, CI008, CI009, CI010, CI016]

4.2 成本结构与单位经济性

公开证据只支持方向性的成本模型。公司正在评估非常规电路、系统架构、神经网络架构、存储器和三维集成；外部报道则提到定制硅、混合信号电路、第三方 IP、存储器工作和软硬件协同设计。合在一起看，这是一个研究密集型项目，需要专业人力、设计工具、软件基础设施、原型和流片支出，但没有来源量化公司的工资、制造承诺、资本开支、营运资金或服务交付成本。因此 CAC、回本期、毛利率、贡献利润率、利用率和渠道经济性仍是不可得，而不是零。[CI005, CI006, CI007, CI013]

4.3 资本充足性与融资依赖

公司宣布以 $4.5B 估值完成 $475M 种子融资，CEO Naveen Rao 投入 $10M。独立报道称这是潜在更大轮次的首期，规模最高可达 $1B，但该目标并不是已承诺资本。融资额也不能视为当前现金：已审阅来源没有披露交割机制、融资条款、手头现金、烧钱、现金跑道、债务、项目融资义务或未来资本调用。当前证据中唯一量化的资金用途是 $0.5M 学术研究基金；它能说明研究取向，却不适合作为公司完整费用基数的代理。[CI001, CI002, CI003, CI004, CI007, CI011, CI012]

4.4 财务结论与尽调阻塞项

证据总体支持高资本、未商业化的研究画像，而不是可测量的收入质量或利润率故事。管理层据报道预计架构实验和原型开发需要数年，独立报道也观察到神经形态技术尚未广泛采用。这形成双重依赖：技术证明必须先于客户验证，二者都必须先于持久变现。一条低质量数据库记录还给出 $500M 估值，与官方及多家媒体报道的 $4.5B 冲突；这一差异不应取代证据更充分的数字，却进一步说明需要审阅原始融资文件。在收入、已签需求、毛利率、现金、烧钱、跑道和融资条款得到确认前，投资判断应继续暂停。[CI004, CI005, CI012, CI014, CI015, CI016]

4.5 展示

5.1 计算架构与运行基底

Unconventional AI 通过用硅电路的非线性物理动力学替代确定性的数字抽象，回应大规模 AI 推理即将面临的能源约束。传统 GPU 和 CPU 架构压制晶体管的自然物理行为以维持严格的数字确定性，因此在执行本质上带概率性的神经网络时付出巨大能耗。Unconventional AI 希望构建接近生物尺度的计算基底，让神经网络动力学直接运行在硅的物理特性上，而不是通过冯·诺依曼数字抽象模拟数学运算。核心架构是耦合非线性振荡器网络，它们无需中央时钟即可异步运行。硬件利用物理共振和连续时间动力学状态，以极低功耗执行推理。公司还在模拟振荡器核心之上设计了动力学系统指令集架构（DS-ISA），为在物理动力学基底上编程 AI 工作负载提供标准软件接口和执行词汇。总体工程目标是相较当代数字加速器将每单位推理能耗降低 1,000x，复现约 20 瓦运行的人脑的生物能效。[CE001, CE002, CE003, CE004, CE009]

5.2 原型验证、软件栈与路线图

公司的商业与架构路线目前处于模拟和初步设计阶段。2026 年 6 月，Unconventional AI 发布首个软件原型 Un-0，这是一种由拟议耦合振荡器架构的软件模拟驱动的图像生成模型。在 ImageNet 64x64 基准上，Un-0 取得 6.74 的 Fréchet Inception Distance（FID），首次发布时达到传统扩散模型的生成质量。随后 2026 年 8 月的研究显示，在耦合振荡器网络中引入结构稀疏性，可在 Un-0 中消除最高 98.4% 的振荡器间连接，同时让生成性能提升 1.9 个 FID 点。为克服内存带宽限制和冯·诺依曼数据移动瓶颈，该架构将模拟振荡器核心与异构存储技术配对，利用相变存储器（PCM）和嵌入式 DRAM（eDRAM）较宽松的误差容忍度。不过实体流片仍未完成：实体芯片示意图虽已被承诺，却尚未在硅上验证；管理层估计，要实现完整商业化，需要在多轮迭代原型中累计约 $1.5B 资本开支。[CE005, CE006, CE007, CE008, CE013]

5.3 学术资助管线与生态播种

为加速模拟计算、动力学算法和先进半导体封装的基础探索，Unconventional AI 启动了 $500,000 的 Unconventional Academic Research Grant Program。2026 年 9 月，公司向 Stanford University、University of Texas at Austin、Yale University、Massachusetts Institute of Technology（MIT）和 University of California, Berkeley 的学术团队各发放一笔 $100,000、用途不受限的研究资助，共五笔。资助项目聚焦六个核心研究领域：模拟混合信号与定制数字电路、异构非常规系统架构、动力学神经网络建模、数据复用率超过 99% 的循环权重驻留架构、人工智能物理学，以及目标在五年内实现量产可行性的 3D 异构封装。通过吸引顶尖机构的学术研究者，公司试图降低高不确定性的理论瓶颈，同时围绕 DS-ISA 接口建立早期开发者和研究者心智份额。[CE010, CE011, CE012]

5.4 制造依赖、晶圆厂经济性与商业风险

尽管以 $500M 投前、$4.5B 投后估值完成了 $475M 种子融资，Unconventional AI 仍面临严峻的技术、制造和市场阻力。开发定制模拟混合信号硅片，需要算法、电路设计和物理布局之间极深的协同设计。模拟电路很容易受到半导体工艺波动、热噪声、电压漂移和环境变化影响，扩展到商业规模时制造良率风险极高。与拥有成熟编译器生态（如 NVIDIA CUDA）的数字 GPU 不同，基于振荡器的架构需要全新的软件和运行时工具链，才能通过 DS-ISA 编译、优化并执行任意 Transformer 或生成式模型。公司还高度依赖外部商业晶圆厂、先进封装设施和专业混合信号工程师。没有第三方验证的硅基准、可证明的系统级每 token 焦耳数指标或已承诺的企业设计伙伴，该技术仍是未经证实的研究假设，而不是可量产的计算平台。[CE013, CE014, CE015, CE016]

5.5 展示

6.1 可服务用户清晰可见，但实际买家尚未出现

Unconventional AI 描述了一种追求生物尺度能效的新计算基底；第三方市场资料则将潜在工作负载放在数据中心推理、生成式模型和电力受限的边缘系统。独立需求侧证据让边缘细分更具体：在医疗设备、自动驾驶、救援无人机和国防场景中，时延、电池续航或弱连接会限制云端处理，本地推理因此重要。一项在位者基准还展示了买家组织方式：AMD 面向汽车和工业市场的 OEM、一级供应商以及系统和软件开发者。这些来源支持细分市场假设，却不能证明这些机构中的任何一家正在评估 Unconventional AI。因此买家、用户、付款方、资格标准和预期商业价值仍属推断或未知。[CU002, CU005, CU006, CU007]

6.2 学术参与是唯一有量化的采用信号

最强的具名关系证据是研究项目，而非销售项目。Unconventional AI 提供最多五笔为期一年的 $100,000 大学资助，公司网站随后披露收到近 100 份申请，并有五个项目与 Stanford、UT Austin、Yale、MIT 和 UC Berkeley 相关。这些机构是研究受资助方或合作方；证据没有说明它们购买、部署或续购 Unconventional AI 产品。另有报道将公司描述为深度研发阶段，并称测试多种架构可能需要数年。在指定证据集中，没有披露具名商业客户、付费试点、生产部署、客户成果或客户数分母。这是证据边界，不是不存在保密合作的证明。[CU001, CU003, CU004, CU009, CU012, CU014]

6.3 在设计伙伴证明之前无法评估商业持久性

客户投资判断仍处在普通留存分析之前。SiliconANGLE 报道称公司计划协同设计芯片和 AI 模型。这条采用路径要求很高，横跨工作负载适配、开发者工具、原型验证、系统集成、资格认证和生产采购。同一报道指出 RRAM 存在技术缺陷、数据中心采用较弱；公司招聘材料也提到该技术。与此同时，AMD 称其嵌入式产品组合已经与早期访问客户进行样品测试，并瞄准量产出货。这个对比不是 Unconventional AI 的独立基准，却说明成熟买家在大规模采用前可以期待哪些证据。保留资料中没有披露合同或客户 cohort，因此 NRR、GRR、流失、续约、合同期限、扩张和客户集中度都无法量化。[CU008, CU010, CU011, CU013, CU015, CU016]

6.4 展示

7.1 风险态势与论点失效条件

Unconventional AI 更适合被视为研究阶段硬件项目，而非已经去风险的半导体供应商。公司将生物尺度能效作为目标，外部报道则描述五年的芯片开发周期和多种原型实验。因此，证据把可行性置于市场进入风险之前：大额融资可以支付实验，但不能证明可制造性、系统级能效、可靠性或商业需求。核心论点失效条件，是在报道所称五年目标之前拿不出独立基准硅片和可信的资格认证计划。次级否决条件包括原型进度明显延期、没有披露生产设计伙伴，或无法说明晶圆厂、封装、存储器和 IP 许可路径。[CR001, CR003, CR005, CR011, CR014, CR016]

7.2 技术、制造与可靠性暴露

争议点不在模拟能效本身，而在可扩展性和可重复性。BigDATAwire 回顾称制造波动曾是模拟计算失势的历史原因；另有报道称，计划中的首个原型可能是已制造的最大模拟芯片之一。SiliconANGLE 还将异构 SoC、混合信号电路、第三方 IP 和潜在 RRAM 纳入集成范围，并指出 RRAM 的技术缺陷限制了数据中心采用。这些风险相互作用：工艺波动、存储器耐久性和良率、工具链成熟度、封装、热行为及模型精度必须在整机上同时跑通。当前公开研究成果是有用的技术信号，却不能替代硅基准、资格数据或可靠性证据。[CR002, CR004, CR005, CR006, CR007, CR010, CR011, CR014]

7.3 伙伴、资本与商业化依赖

据报道，公司计划依赖 TSMC 制造，并依赖许可的第三方 IP 完成 SoC 的部分功能，因此暴露于公司无法直接控制的进度、经济性、出口管制和控制权变更风险。学术资助项目扩大了研究漏斗，但其高风险、理论和模拟导向也说明产品之前仍有大量发现工作。公司称以 $4.5B 估值募集了 $475M；这是已募集资金，不是已披露可用现金，指定公开证据也没有量化烧钱、现金跑道、已承诺晶圆厂产能或融资条款。证据同样没有具名生产客户或商业收入。因此治理层应将现金里程碑与流片、验证硅片和客户资格认证挂钩，而不应从轮次规模推断跑道或采用。[CR004, CR006, CR008, CR009, CR010, CR012, CR015]

7.4 法律、监管与尽调缺口

指定公开证据没有披露公司的认证路线图、出口管制分析、专利或自由实施地位、第三方 IP 许可条款、诉讼态势或事故历史。记录有限并不证明不存在义务、争议或事故；它只是尽调缺口。在投资判断生产路径前，投资者应取得 IP 清单与许可协议、晶圆厂和封装承诺、制裁与出口管制分析、产品安全和安保计划、保险覆盖及法律陈述。TBPN Digest 给出的 $500M 估值与公司 $4.5B 数字及多篇佐证报道冲突，也说明二手数据库字段不能脱离原始文件确认而使用。[CR006, CR008, CR009, CR012, CR013, CR015]

7.5 展示

8.1 投资论点与资本联盟动态

Unconventional AI 建立在一个根本论点上：运行 Transformer 架构的现有数字硅片，从热力学上不可能满足大规模人工智能的长期能源需求。公司希望让神经网络运算直接运行在硅电路的模拟动力学中，而不是以数字方式模拟，从而达到以人脑 20 瓦功耗为参照的生物尺度能效。这一激进计算命题吸引了 2025 年 12 月宣布的创纪录 $475M 种子轮，投后估值 $4.5B。交易由 Andreessen Horowitz 和 Lightspeed Venture Partners 联合领投，Lux Capital、DCVC、Future Ventures、Databricks 和 Jeff Bezos 参与。创始人 Naveen Rao 按相同轮次条款个人投入 $10M，也给出了较强的一致利益和积极信号。$475M 融资是计划最高 $1B 总资金目标的首期，用于打造多种实验性芯片架构原型。[CV001, CV002, CV003, CV004, CV006]

8.2 估值架构与市场定价纪律

在芯片流片前将半导体初创公司定价为 $4.5 billion，创下现代风险投资中罕见的估值基准。作为参照，Unconventional AI 尚未完成集成电路流片、交付可用加速器或产生商业收入，就已经获得顶级基础模型实验室级别的估值倍数。一家二级追踪机构误将交易记为 $500 million 估值，但领投机构和全国媒体的一手确认支持 $4.5 billion。这个价格反映了显著的创始人溢价：Nervana Systems 曾被 Intel 以超过 $400 million 收购，MosaicML 曾被 Databricks 以 $1.3 billion 收购；同时也反映投资人解决数据中心能源瓶颈的紧迫性。不过从机构投资判断角度看，估值过高，且脱离有形里程碑。在没有独立硬件基准、验证过的编译器运行时或生产客户试点前，以种子轮估值或更高价格进行二级进入或后续投资，面临不利的不对称下行风险。[CV001, CV005, CV011, CV012, CV014]

8.3 情景建模、下行触发器与稀释风险

在结构化经营情景下评估 Unconventional AI，会看到回报高度分散，并明显受资本强度和技术执行风险影响。基准情景中，公司用三至五年评估混合信号原型，并需要完整的 $1B 资本计划；随着推理市场倍数正常化，最终收购结果可能在 $3B–$6B 之间。悲观情景中，模拟器件噪声、热漂移和编译器集成瓶颈让架构无法达到生产级 LLM 精度或数据中心扩展进度，导致股权严重减值，或以低于 $1B 的价格清算知识产权。独立市场分析强调，如果模拟论点无法在前沿实验室要求的运营窗口内兑现，早期资本实际上是在承保一项高成本研究项目，最终归零。第二笔 $500M 轮次带来的稀释和潜在优先权悬置，会进一步加剧普通股风险。[CV004, CV007, CV008, CV012]

8.4 技术里程碑、尽调要求与否决标准

Unconventional AI 的公开技术进展仍限于理论框架、模拟研究和学术社群建设。公司在 Stanford、MIT 等机构向五个大学研究项目各提供 $100,000 资助，共计 $500,000，用于研究动力学神经架构；同时发布基于模拟耦合振荡器的算法图像生成器 Un-0，在 ImageNet 64x64 上取得 6.74 的 FID。模拟模型展现了理论活力，却不能替代实体硅验证。由于公司当前没有实体芯片、经验证的采购价格或客户承诺，机构投资者必须设立严格尽调闸门。首要否决标准应包括：24 个月内未完成测试硅片流片；无法在标准 Transformer 工作负载上证明至少 10x 的实测能效优势；或无法吸引非稀释性的超大规模云联合开发承诺。[CV005, CV009, CV010, CV013, CV014]

8.5 展示