近日，一家名为 Accelerated Understanding 的 AI 初创公司正式亮相，并公布了过去一年多的研发成果。
它选择了一条与主流大模型公司颇为不同的路线：没有训练聊天模型，也没有追逐当下热门的视频世界模型，而是把目标放在物理世界，希望训练一个能够模拟流体、热传导、天气和材料等多种物理现象的通用 AI 模型。
公司称，在最新测试中，这套模型一次可以处理超过 5 万亿个时空数据点。这一规模约是 Anthropic 和谷歌旗舰模型通常可处理数据量的 500 万倍，大致相当于一次读完 500 万遍列夫·托尔斯泰的《战争与和平》。
Accelerated Understanding 由加州理工学院教授 Anima Anandkumar 和她的丈夫、AI 基础设施工程师 Benedikt Jenik 共同创立。创业前，两人曾收到一份来自另一家明星 AI 项目的邀约。
2024 年底，投资人、医疗科技创业者 Vik Bajaj 曾找到两人，希望与他们合作。项目正是 Bajaj 后来与亚马逊创始人杰夫·贝索斯共同创办的 Project Prometheus。
根据路透社看到的邀约文件，Prometheus 当时提出，由 Anandkumar 担任公司的公开代表和董事会成员，并主导科学方向，Jenik 担任董事会观察员。两人合计可以获得 35% 的公司股权，年薪最初合计为 100 万美元，工作三个月后提高到 200 万美元。文件中还写明，当时已经安排了超过 20 亿美元、覆盖至 B 轮的承诺融资，其中包括来自贝索斯的资金。
但两人最终没有接受这份邀约，原因之一就是他们已经开始创办自己的公司。
此后，两条路线分别向前推进。贝索斯和 Bajaj 继续推进 Prometheus，并于今年 6 月完成 120 亿美元 B 轮融资，重点利用 AI 自动完成复杂物理系统的设计与制造；Anandkumar 和 Jenik 则独立推进 Accelerated Understanding，试图先回答一个更加基础的问题：AI 能否直接学会物理世界如何运行。
黄仁勋曾鼓励她把这条路线做大
Accelerated Understanding 选择的这条路线，与 Anandkumar 多年的研究经历密切相关。
Anandkumar 目前是加州理工学院计算与数学科学系 Bren 讲席教授，她在康奈尔大学获得博士学位，在 MIT 从事博士后研究。进入加州理工学院前，她还曾担任 AWS 首席科学家；2018 年加入英伟达后，又担任过 AI Research 高级总监；Jenik 的背景则更偏向大规模机器学习系统。Accelerated Understanding 官方介绍称，他曾参与自动驾驶相关研究，之后长期建设和运营大型在线平台的机器学习基础设施。
两人此次创业的技术起点，可以追溯到 Anandkumar 在英伟达期间主导研究的神经算子。2020 年，Anandkumar 和合作者提出了傅里叶神经算子（Fourier Neural Operator，FNO）。
空气如何流动，温度怎样扩散，水流会向哪里变化，这些现象通常由一组复杂的物理方程描述。传统数值方法需要在计算机中逐步求解这些方程，模拟的空间越大、精度越高、时间越长，需要的计算量也越大。
神经算子提供了另一种办法，它让 AI 学习一类物理系统从当前状态到未来状态的变化规律。以热传导为例，模型获得一片区域当前的温度分布后，需要预测整片区域的温度将如何变化。初始温度或者边界条件发生改变时，模型仍然可以直接给出预测，不必针对每组条件重新完成一遍耗时的数值计算。
在最初的研究中，团队用 FNO 测试了流体运动和地下水流等典型物理问题。部分任务的计算速度比传统数值方法快了约 3 个数量级。
这套方法随后进入了规模更大的现实任务，其中最有代表性的案例是天气预报。2022 年，Anandkumar 与英伟达等团队推出 FourCastNet，用神经算子学习全球大气的变化规律。传统天气预报依赖超级计算机反复求解复杂方程，FourCastNet 则可以用 AI 快速预测未来数天的天气，大幅缩短计算时间。此后，研究人员又把神经算子用于流体模拟和核聚变研究，并逐渐拓展到芯片及材料设计。
黄仁勋也曾支持这项研究。Anandkumar 回忆，她在英伟达工作期间向黄仁勋展示过神经算子预测天气的结果。2021 年，黄仁勋在英伟达 GTC 大会上介绍了相关工作，并鼓励她继续扩大这条技术路线。
Accelerated Understanding 现在想做的，就是把这件事再往前推一步：不再为天气、流体或者某一种物理问题分别训练模型，而是尝试训练一个能够同时处理多种物理现象的通用模型。
从生成想法到验证想法
官网显示，该公司将这套方法称为 Direct 4D：保留物理世界真实的三维空间结构，再加入时间维度，让模型直接预测一个物理系统随时间演化的完整过程，而不是沿着时间一步步向后预测。
这背后也是 Anandkumar 对现有物理 AI 和世界模型路线的一个判断。
在她看来，过去很多方法为了降低建模难度，都在不同程度上做了简化。专门针对某一种任务训练的模型，在数据足够、测试条件与训练数据接近时可以表现很好，但一旦进入新的设计空间，泛化能力就可能受到限制；视频模型可以生成视觉上非常逼真的结果，但看起来合理并不意味着物理上准确；一些静态世界模型则没有真正处理物理系统随时间变化的过程。
更重要的是，很多关键物理现象本身并不是视觉的。温度、压力、流体速度、材料内部状态等信息，并不会完整地呈现在摄像头拍摄的画面中。Anandkumar 因此认为，如果目标是真正理解和模拟物理世界，就不能只依赖图像，而需要把多种物理信息放进同一个模型。
这也是 Accelerated Understanding 坚持完整 4D 建模的原因：空间仍然保持三维，同时加入时间，让模型直接学习一个系统如何持续演化。
但这样做很快遇到一个现实问题：数据量急剧膨胀。
语言模型的上下文主要沿着 token 序列增长，而一个完整的物理系统需要同时描述三个空间维度和时间。按照该公司给出的例子，如果三个空间维度分别取 1,000 个点，再追踪 1,000 个时间步，就已经达到 1 万亿个时空点。一些单独的训练样本甚至大到无法装进一块 AI 加速器，乃至一个完整计算节点，团队因此开发了自己的数据切分和并行训练方法。
按照公司披露的数据，过去一年多他们进行了数百次预训练实验，实际预训练模型最高达到 1 万亿参数，并进行过最高 35 万亿参数的扩展实验，典型训练使用的数据规模约为 2PB 至 6PB。在上下文规模上，训练阶段最高可处理约 1 万亿个时空数据点，推理阶段则超过 5 万亿，且这一规模并未依靠大幅下采样或简单切块实现。
但对 Anandkumar 来说，参数和上下文规模只是这项工作的技术前提。她更关心的是，AI 能不能帮助科学研究解决另一个正在变得越来越明显的瓶颈：验证。
生成式 AI 已经可以迅速提出大量新的材料、分子、芯片结构和工程设计，但候选方案增加之后，验证能力并没有同步增长。每一个设计最终仍然要经过物理模拟、实验或者工程测试，才能知道是否真正可行。Anandkumar 用“干草堆”来形容这种情况：如果 AI 只是不断生成更多候选方案，它只是制造出了一个更大的干草堆。
Accelerated Understanding 希望把更多筛选和验证工作提前到计算阶段。模型先模拟一个设计在不同物理条件下可能如何运行，判断哪些方案更值得继续推进，并为下一轮设计提供反馈。经过计算筛选后的少量候选方案，再进入真实实验或现有工程流程进行确认。
这也决定了公司的早期产品主要面向科学和工程机构。
按照目前披露的方向，这套模型可能用于芯片设计、机器人研发、极端天气预测以及能源和地质分析等任务。此前神经算子已经在天气预报、核聚变模拟以及医疗设备、药物和芯片设计等领域得到尝试，Accelerated Understanding 想进一步验证：这些原本彼此分散的物理问题，能否被放进一个更大、更通用的模型中共同学习。这些行业面对的问题差别很大，研发过程却有相似之处，它们都需要反复进行昂贵而复杂的物理模拟。
Accelerated Understanding 希望，一个模型在学习不同物理现象之后，不只是能够处理更多任务，还能在不同任务之间迁移能力。如果这一设想成立，未来企业不必再为天气、流体、芯片等问题分别训练一套彼此独立的专用模型。
不过，这一目标仍处在早期验证阶段，公司也尚未披露融资规模和具体企业客户。Anandkumar 表示，其已经与一家计算服务提供商合作，由对方提供开发和运行模型所需的硬件集群，但她没有透露合作方名称。
1.https://www.reuters.com/business/ai-founders-who-walked-away-bezos-backed-prometheus-model-universe-2026-08-25/
2.https://www.linkedin.com/posts/anima-anandkumar_excited-to-see-reuters-cover-the-launch-of-activity-7497967285178032128-Vnas/
3.https://acceleratedunderstanding.com/#scale
运营/排版：何晨龙
热门跟贴