Caltech 團隊創辦 Accelerated Understanding：捨棄 Transformer 的物理 AI

當整個產業的目光仍鎖定在越來越大的語言模型時，一家於本週二正式亮相的新創公司卻押注在完全不同的方向：下一代 AI 的前沿，可能與語言毫無關係。由 Caltech 教授 Anima Anandkumar 與 AI 基礎架構工程師 Benedikt Jenik 共同創辦的 Accelerated Understanding Inc，推出了一套為物理而生的 AI 系統——它徹底捨棄了支撐 ChatGPT 到 Claude 等幾乎所有知名模型的 Transformer 架構。

另一種智慧

與主流 AI 的對比極為鮮明。今日的旗艦模型以全世界的文字訓練而成，學會預測句子中的下一個字；Accelerated Understanding 的模型則學會預測在空間與時間中變化的物理現象。該公司表示，在測試中，這套系統在單一提示（prompt）內處理了 5 兆個資料點——大約是 Anthropic 與 Google 旗艦模型所能消化量的 500 萬倍。路透社給了一個生動的比喻：這相當於一口氣把托爾斯泰的《戰爭與和平》讀完 500 萬次。

其技術基礎是 Anandkumar 協助開創的神經算子（neural operators）。傳統 Transformer 是把文字序列映射到另一個文字序列；神經算子學習的則是函數空間之間的映射——這些數學物件可以代表溫度場、流體流動或應力分布在時空中的變化。因為它處理的是連續的物理場而非離散的文字，所以能以任何文字導向的上下文視窗都無法企及的規模吞下物理資料。

「以語言為中心的智慧觀，是把人類放在中心。把物理放在中心，則是一種以自然為中心的觀點，」Anandkumar 說。她是 Caltech 計算與數學科學教授，曾在 Nvidia 擔任總監五年，也曾在 Amazon 擔任科學家。

用途何在

這家公司主打企業市場而非消費性產品，其賣點是「通用性」：不需要為每個工程問題打造脆弱、客製化的數學模型，單一 AI 系統就能處理企業丟給它的任何物理問題。兩位創辦人點出了四個初始應用領域：

• 晶片設計。 當其他公司把文字訓練的推理模型用在半導體問題上時，Accelerated Understanding 主張，真正能優化晶片效能的材料與熱行為，需要的是對物理的本能理解——大幅減少實驗室裡昂貴的試錯。
• 極端天氣預測。 Anandkumar 在 Nvidia 的早期神經算子研究已證明，AI 能以低得多的成本，達到與複雜數值運算同等的預報準確度。
• 機器人。 一個真正能預測物理現象的模型，可以讓機器人原生理解接觸、摩擦與動力學。
• 地質分析。 能源公司可用它來篩選會淹沒傳統管線的地下資料。

Prometheus 的幕後故事

這次發表，也為近年 AI 界最引人深思的人才故事畫下句點。根據路透社取得的會議紀錄，2024 年底，投資人兼生物科技創業家 Vik Bajaj——後來與 Jeff Bezos 共同創辦 Project Prometheus——在洛杉磯地區一家高級餐廳的晚宴上，與 Anandkumar 和 Jenik 討論合作可能。

隨後名為「Project Prometheus」的錄取信提出：Anandkumar 可成為公司的門面、董事會成員，並擁有科學願景的主導權。她與丈夫 Jenik（將擔任董事會觀察員）可獲得公司 35% 股權，外加合計年薪 100 萬美元、三個月後翻倍至 200 萬美元。信中還載明超過 20 億美元的承諾輪次融資（至 B 輪），投資人包括 Bezos 本人。

他們拒絕了。Bezos 與 Bajaj 後來於 2026 年 6 月為 Prometheus 完成一輪 120 億美元的 B 輪募資，專攻複雜物理系統製造的自動化。Anandkumar 與 Jenik 則選擇獨立創業——如今他們擁有自己願景的 100%，而不是別人願景的 35%。

與黃仁勳的淵源

Nvidia 在這個故事中扮演了微妙的角色。Anandkumar 於 2018 年加入這家晶片公司，帶領團隊推動 GPU 用於前沿 AI 研究。一個展示 AI 加速天氣預測的早期專案，讓執行長黃仁勳大為驚豔，並在 2021 年的 GTC 大會上親自發表她的神經算子研究成果。「他真的超級興奮，」她回憶道。當她說 AI 可能會搶走物理學家的飯碗時，黃仁勳回應：「我要它搶走所有人的飯碗。」

Anandkumar 表示，正是黃仁勳最初鼓勵她追求這個方向。關於新創的資金，她不願多談，只說已有運算供應商夥伴提供硬體叢集供開發使用。Nvidia 並未回覆路透社「是否投資此事業」的詢問——不過 Bluesky 上的觀察者注意到：「看起來 Jensen 有投，但還沒有官方消息。」

世界模型競賽

Accelerated Understanding 加入的是一場正在升溫的競賽。由 Yann LeCun 與李飛飛等 AI 大師主導的新創公司，都在追求所謂的世界模型（world models）——比文字訓練的 AI 更理解空間現實的系統。共同的論點是：語言只是智慧的一小薄片，扎根於物理現實的模型才能解鎖文字模型無法觸及的應用。

Anandkumar 的押注更具體：一個廣義化的神經算子——能預測連肉眼都看不見的現象——才是通往那個未來的最佳架構，而且它要能以商業價值而非學術聲望來養活自己。企業是否會像如今購買文字助理那樣，為「物理原生」的 AI 買單，將是未來一年要回答的問題。但單一提示 500 萬倍的資料吞吐量差距，正是那種會讓整個產業坐直身子、認真看待的能斷層。