Der Oszillator-Moment: Die nächste 1000-fache Effizienz der KI läuft nicht auf einer GPU

In den letzten drei Jahren war die Geschichte der KI-Hardware vor allem eine Geschichte des Siliziums. Bessere Transistoren. Mehr davon. Gestapelt in größeren Dies. Verbunden durch schnellere Interconnects. NVIDIA lieferte die H100, dann die H200, dann Blackwell, dann Blackwell Ultra. Qualcomm, AMD und ein halbes Dutzend gut finanzierte Startups versuchten, auf derselben Abstraktionsebene zu konkurrieren. Alle diskutierten über Transistor­zahlen, Speicherbandbreite und HBM-Stacking.

Die interessanteste KI-Hardware-Story im Juli 2026 fand nicht auf Silizium statt.

In der vergangenen Woche hat ein Startup namens Unconventional AI ein experimentelles Bildgenerierungs­modell vorgestellt, das keine Matrixmultiplikationen ausführt. Es ersetzt den gesamten Inferenzpfad durch ein simuliertes Netzwerk physikalischer Oszillatoren — gekoppelte nichtlineare Oszillatoren, deren Zeitentwicklung, nicht deren Bitmuster, die Berechnung ist. Die berichtete Effizienz: rund 1000-mal besser als eine vergleichbare Stable-Diffusion-Pipeline auf konventionellen Beschleunigern.

Das ist keine „Chip-Ankündigung". Das ist eine andere Art von Berechnung.

Was ein Oszillator-Netzwerk tatsächlich ist

Die Intuition ist älter als das maschinelle Lernen. Ein Netzwerk gekoppelter Oszillatoren — Pendel auf einem gemeinsamen Balken, Josephson-Kontakte auf einer supraleitenden Schleife, sogar Neuronen — tendiert dazu, sich in synchronisierte oder phasenstarre Zustände einzuordnen. Die Mathematik, die diese Zustände beschreibt, wurde in der Physik Jahrzehnte vor dem ersten Versuch entwickelt, sie für Inferenz zu nutzen.

Der Schritt von Unconventional AI besteht darin, diese Phasendynamik als die Inferenz selbst zu behandeln. Statt Matrizen zu multiplizieren und Aktivierungen anzuwenden, initialisiert man das Oszillator-Netzwerk mit einer Kodierung der Eingabe (ein Textprompt, ein latenter Seed), lässt das gekoppelte System in ein stabiles Phasenmuster relaxen und liest das Ergebnis als das generierte Bild aus. Die „Gewichte" des Modells sind in den Kopplungs­stärken zwischen den Oszillatoren kodiert. Der „Forward Pass" ist ein physikalischer Relaxations­prozess.

Das ist nicht neuromorphes Rechnen im Sinne von Intel Loihi oder IBM TrueNorth. Das sind Silizium-Approximationen von Spike-Neuronen — immer noch digitale Logik, immer noch von-Neumann, immer noch Gatter und Takt. Ein Oszillator-Netzwerk führt die Physik direkt aus. Das Rechnen ist die Dynamik. Das System ist, wörtlich genommen, ein Analogrechner — nur dass die analogen Variablen Phasen sind, nicht Spannungen, und das Substrat eine mathematische Simulation ist, die sich auf supraleitende Hardware, optische Hardware oder sogar mechanische Metamaterialien portieren lässt.

Dieser letzte Punkt ist der entscheidende. Das Substrat ist nebensächlich. Die Mathematik ist das Modell.

Warum die 1000-fache Zahl real sein könnte

Ich will hier vorsichtig mit der Behauptung umgehen, weil Effizienzzahlen aus einer einzigen Demo eines Startups, das seine Methodik nicht vollständig veröffentlicht hat, genau die Art von Dingen sind, die schlecht altern. Aber die Größenordnung passt zu dem, was die Physik erwarten lässt.

Ein normaler Transformer-Forward-Pass kostet grob 2 FLOPs pro Parameter pro Token. Ein Diffusionsschritt kostet ungefähr dieselben FLOPs wie ein Transformer-Pass über das Latent. Stable Diffusion XL mit 1024×1024 und 50 Denoising-Schritten liegt auf dem Papier im Bereich von 10¹⁵ bis 10¹⁶ FLOPs pro Bild. Das ist die Arbeit, die eine GPU leistet.

Ein Oszillator-Netzwerk, das das entsprechende Denoising durchführt, führt keine FLOPs aus. Es führt eine zeitkontinuierliche Dynamik aus. Die Energiekosten pro Schritt werden dominiert von der Zeit, die das Netzwerk braucht, um sich in eine stabile Phasenkonfiguration einzuordnen — und das kann, bei einer gut entworfenen Kopplungsmatrix, im Bereich von Mikrosekunden liegen und Größenordnungen schneller sein als eine 50-Schritte-Denoising-Schleife auf einer GPU. Die Energie pro Bild wird durch die analoge Energiekosten der Oszillatordynamik begrenzt, nicht durch die digitalen Schaltkosten von Transistoren.

Eine 1000-fache Reduktion ist plausibel. Eine 10000-fache Reduktion ist an den Grenzen supraleitender oder optischer Substrate ebenfalls plausibel. Die Zahl ist kein Ausreißer. Sie ist die Art von Effizienzlücke, die die Physik vorhersagt, wenn man aufhört, digitale Logik zu verwenden, um etwas zu simulieren, was das Universum bereits kostenlos tut.

Der Teil, über den niemand spricht

Die Schlagzeile ist die Effizienzzahl. Der interessante Teil ist, was als Nächstes kommt.

Wenn das Substrat nebensächlich ist — wenn das Modell tatsächlich die Kopplungsmatrix ist, nicht das Silizium — dann werden plötzlich einige Dinge möglich, die die aktuelle GPU-zentrierte Sichtweise als Physik behandelt:

Edge-Deployment ohne Quantisierungshölle. Ein 1000-mal effizienteres Modell kann auf Hardware laufen, die heute gar keine Diffusion ausführen kann. Smartwatches. Hörgeräte. Industriesensoren. Die „On-Device-KI"-Geschichte der letzten drei Jahre war eine Quantisierungsgeschichte: Wie quetschen wir ein 3-Milliarden-Parameter-Modell in 4 Bits, ohne es zu zerstören? Ein oszillatorbasiertes Modell mit äquivalenter Fähigkeit könnte potenziell mit Milliwatt laufen — das ist eine völlig andere Diskussion.

Keine Fab-Abhängigkeit. Die Kopplungsmatrix ist das Modell. Du kannst sie heute auf einer GPU simulieren, morgen auf einen supraleitenden Chip portieren und im nächsten Jahr auf ein optisches Netzwerk. Die Lieferkette verschiebt sich von „wer hat die fortschrittlichste Fab" zu „wer kann das Substrat mit der richtigen Physik fertigen" — und das ist ein viel breiteres Feld an Spielern als das TSMC/NVIDIA-Duopol.

Latenz verändert ihre Bedeutung. Eine Denoising-Schleife auf einer GPU läuft so schnell, wie das Silizium multiplizieren kann. Ein Oszillator-Netzwerk läuft so schnell, wie die Physik relaxiert. Für einige Klassen von Kopplungsmatrizen ist diese Relaxationszeit durch fundamentale Konstanten begrenzt — nicht durch Moores Gesetz, nicht durch deine Batch-Größe, nicht durch deine HBM-Bandbreite. Es ist die Geschwindigkeit der Physik.

Die ökonomische Karte zeichnet sich neu. Wenn man Diffusion zu einem Tausendstel der Energiekosten betreiben kann, ist das Capex-Wettrüsten, das die gesamte KI-Wirtschaft verbogen hat — Stargate, die Oracle-Entlassungen, die Sovereign-AI-Bauten — nicht falsch, aber plötzlich begrenzt. Der Grund, einen 10-Gigawatt-Cluster zu bauen, ist, dass man 10 Gigawatt braucht, um die Modelle zu betreiben. Wenn ein Modell nur 10 Megawatt braucht, sieht der Buildout plötzlich ganz anders aus.

Was dies nicht ist

Ich möchte konkret benennen, was dies nicht ist, denn der Hype-Zyklus um physikalisches Rechnen ist seine eigene Art von Gefahr.

Es ist kein Produkt. Die Demo von Unconventional AI ist ein Forschungsergebnis. Das Modell wird simuliert, nicht in physischer Hardware gefertigt. Die Benchmark-Methodik ist nicht vollständig öffentlich. Die Zahl könnte in der Praxis 100x betragen, nicht 1000x, und wäre trotzdem das wichtigste KI-Hardware-Ergebnis des Jahres.

Es ist kein Ersatz für GPUs. Die Trainingsseite der Gleichung — wie man tatsächlich die Kopplungsmatrix findet, die gute Generierungen erzeugt — ist immer noch ein hartes Problem, das mit ziemlicher Sicherheit konventionelles Compute benötigt. Der Gewinn liegt in der Inferenz, wo die Wirtschaftlichkeit generativer KI tatsächlich lebt.

Es ist keine Magie. Oszillator-Netzwerke sind alt. Reservoir Computing, der nächste akademische Verwandte, existiert seit den 2000ern und hat nie wirklich durchschlagen, weil niemand das Trainingsproblem elegant gelöst hat. Unconventional AI behauptet, dass sie ein Trainingsverfahren haben. Das Trainingsverfahren ist der Teil, den man beobachten sollte, nicht die Demo.

Das ehrliche Fazit

Für den größten Teil des Jahres 2026 war die KI-Hardware-Diskussion „NVIDIA gegen AMD gegen Custom Silicon". Diese Diskussion ist nicht falsch. Es ist die Diskussion, die für die nächsten achtzehn Monate der Rechenzentrumsbauten zählt.

Aber es ist nicht die einzige Diskussion, die zählt.

Das Oszillator-Netzwerk-Ergebnis ist eine Erinnerung daran, dass „KI-Compute" kein Synonym für „Matrixmultiplikationen auf Transistoren" ist. Es ist eine Erinnerung daran, dass die Energieobergrenze, an die wir gestoßen sind, eine Obergrenze eines bestimmten Substrats ist, nicht eine Obergrenze der Physik. Es ist eine Erinnerung daran, dass, wenn das Substrat um den Faktor 1000 billiger wird, jede nachgelagerte Annahme — was ist einsetzbar, wo kann es laufen, wer kann es sich leisten, wie sieht die Makroökonomie des Buildouts aus — leise aufhört zu gelten.

Das ist schon einmal passiert. Es passierte, als CPUs GPUs wichen. Es passiert gerade, während Inferenz-Ökonomik jede Produktentscheidung in der KI neu formt.

Die interessante Frage ist nicht, ob Oszillator-Netzwerke GPUs verdrängen werden. Sie werden es wahrscheinlich lange Zeit nicht tun. Die interessante Frage ist, welche andere Physik wir noch nicht als Substrat für dieselbe Mathematik ausprobiert haben. Photonische Reservoirs. Mechanische Metamaterialien. Gekoppelte Quantensysteme. Die Karte der möglichen Substrate für Inferenz ist viel größer als die Karte der Substrate, die wir tatsächlich ausprobiert haben. Unconventional AI hat dieser Karte gerade einen neuen Punkt hinzugefügt.

Das ist, was der Oszillator-Moment ist. Kein Produktlaunch. Ein neuer Punkt auf einer viel größeren Karte.