AI, який вчиться не на словах, а на фізиці: що показала Accelerated Understanding

Більшість гучних AI-релізів останніх років змагалися в тому, хто краще працює зі словами, кодом, картинками чи відео. Нова компанія Accelerated Understanding пропонує іншу ставку: навчити модель не продовжувати текст, а прогнозувати, як поводиться фізичний світ у просторі й часі. 25 серпня співзасновники Anima Anandkumar і Benedikt Jenik публічно представили систему, яка, за їхніми словами, працює з величезними масивами фізичних даних і використовує neural operators замість класичної Transformer-архітектури.

Новина звучить майже як чергове змагання за рекорд контекстного вікна: компанія заявляє, що під час inference модель опрацьовувала понад 5 трильйонів елементів даних в одному запиті. Але сама цифра тут менш цікава, ніж те, що саме модель намагається вмістити в контекст. Це не п'ять трильйонів слів. Йдеться про багатовимірні поля, де значення змінюються у трьох просторових координатах і в часі: температура, тиск, швидкість потоку, матеріальні властивості, електромагнітні або інші фізичні параметри.

Не ще один ChatGPT для вчених

У звичайного великого мовного моделя базова задача проста за формулюванням: отримати послідовність токенів і передбачити наступний. Навіть коли така модель пише код або пояснює квантову механіку, її основний носій знання — мова. Accelerated Understanding хоче поставити в центр не текст, а безперервні фізичні процеси.

Anandkumar давно просуває цю ідею в академічній роботі. Її neural operators створювалися як спосіб навчати відображення між функціями, а не лише між фіксованими векторами. Це важливо для рівнянь у частинних похідних — математичного фундаменту для опису погоди, турбулентності, теплопереносу, плазми, хвиль і багатьох інженерних систем. У Caltech наводять приклади, де neural-operator підходи прискорювали окремі симуляції в сотні або тисячі разів порівняно з традиційними чисельними методами.

Нова компанія намагається масштабувати цю логіку від вузьких моделей під конкретне рівняння до більш універсальної системи. За описом Reuters, модель має працювати з різними фізичними феноменами, а не вимагати окремого surrogate-моделя для кожної задачі. Потенційні області — дизайн чипів, матеріали, робототехніка, екстремальна погода, геологічні дані та енергетика.

Що означають «5 трильйонів» — і чому це не можна напряму порівнювати з Claude чи Gemini

Цифра 5 трильйонів закономірно привернула увагу. Reuters передає оцінку компанії, що це приблизно в п'ять мільйонів разів більше даних, ніж типово приймають флагманські мовні моделі Anthropic і Google. Проте порівняння має важливе обмеження: одиниця фізичного масиву не тотожна мовному токену.

У тексті одна позиція може кодувати шматок слова. У фізичній симуляції одна позиція може бути значенням поля в конкретній точці простору й моменті часу. Якщо модель описує тривимірний об'єкт у часовій динаміці, обсяг масиву росте надзвичайно швидко. Тому трильйонний контекст тут радше говорить про здатність системи не розрізати фізичну задачу на надто грубі шматки, ніж про «пам'ять, у мільйони разів кращу за ChatGPT».

Саме це одна з найцікавіших частин підходу. У відеомоделей можна красиво передбачити наступні кадри, але картинка не зобов'язана бути фізично правильною. Рідина може поводитися правдоподібно на око, хоча порушує закон збереження маси; деталь механізму може виглядати переконливо, хоча реальний матеріал перегріється. Для інженерного використання «схоже на правду» недостатньо.

Навіщо AI взагалі моделювати фізику

Сьогодні одна з головних проблем R&D — не дефіцит ідей, а вартість перевірки. Можна згенерувати тисячу нових форм батареї, теплообмінника чи крила, але кожен кандидат потрібно розрахувати, змоделювати або фізично виготовити. Якщо симуляція займає години чи дні на кластері, оптимізаційний цикл швидко стає дорогим.

У червневому есе для Daedalus Anandkumar формулювала проблему приблизно так: AI, що лише генерує більше гіпотез, може просто створити більший «стіг сіна». Справжній прорив починається тоді, коли модель допомагає дешевше відсіювати невдалі варіанти до дорогого експерименту. Саме на цю частину ланцюжка й націлений physics-first AI.

Чипи й тепловий дизайн

Сучасний чип — це не лише транзистори та логіка. Щільність потужності, гарячі точки, упаковка, охолодження і матеріали можуть визначити, чи працюватиме система на заданій частоті. Модель, яка швидко прогнозує теплові й електромагнітні ефекти для багатьох геометрій, потенційно може скоротити кількість дорогих ітерацій.

Погода та клімат

Команда Anandkumar вже має досвід AI-прогнозування погоди. У цій сфері перевага швидких surrogate-моделей очевидна: замість одного дорогого прогнозу можна запускати ансамбль варіантів і краще оцінювати невизначеність. Однак універсальна система повинна не просто повторювати статистику минулого, а коректно поводитися в рідкісних режимах — наприклад під час екстремальних штормів.

Роботи

Для роботів фізика ще жорсткіша. Справжня машина взаємодіє з тертям, ударами, гнучкими предметами, нестабільним ґрунтом і затримками приводів. Відеомодель може згенерувати красивий рух руки, але контролеру потрібно знати, чи вистачить моменту двигуна і чи не вислизне предмет. Тут якісна модель динаміки може стати частиною planning loop.

Чому тут згадують Джеффа Безоса

Історія запуску стала помітнішою через зв'язок із Project Prometheus — великою AI-ініціативою, яку підтримує Джефф Безос. За документами, які бачив Reuters, Anandkumar і Jenik раніше обговорювали можливість приєднатися до проєкту. Пропозиція передбачала значну частку та фінансування на мільярди доларів у майбутніх раундах. Вони вирішили продовжити власну компанію.

Сам Prometheus у 2026 році залучив величезне фінансування й також працює в напрямі AI для фізичних систем і виробництва. Тому історія не стільки про «відмовили Безосу», скільки про ширший тренд: наступне поле конкуренції AI-компаній може бути не чат, а моделювання реального світу.

Neural operators — головна технічна відмінність

Transformer добре працює з послідовностями та навчився бути напрочуд універсальним. Але фізична система часто природно описується функцією: наприклад, температурою T(x,y,z,t). Neural operator намагається вивчити не окрему таблицю значень, а перетворення однієї функції в іншу — умовно, як із початкового стану системи отримати майбутній.

Це не означає, що neural operators автоматично «знають закони природи». Вони теж навчаються на даних і можуть помилятися поза розподілом тренування. Але сам тип задачі ближчий до того, як інженери формулюють PDE-системи, і дозволяє працювати з різними просторовими роздільностями.

Чого компанія поки не довела

Найважливіше застереження: Accelerated Understanding щойно вийшла з тіні. Публічного benchmark-набору, детального технічного paper про нову масштабовану модель та незалежних reproduction-results поки немає. 5 трильйонів елементів контексту — це заява компанії, передана Reuters, а не стандартний benchmark, де її можна поставити поруч із конкурентами.

Так само величезний контекст сам по собі не гарантує точності. Модель може обробити дуже великий 4D-масив і все одно робити систематичну помилку. Для науки й інженерії критичні conservation laws, calibration, uncertainty estimates, extrapolation і перевірка на реальних експериментах.

Ще одна проблема — дані. Для мовної моделі інтернет дає трильйони токенів. Для фізики якісний ground truth часто потрібно отримувати з дорогих симуляцій, сенсорів або лабораторій. Частину даних можна синтезувати чисельними моделями, але тоді AI успадковує їхні наближення.

Що буде справжнім тестом

Якщо компанія покаже відкриті або хоча б відтворювані кейси, найцікавішими будуть не рекорди параметрів, а економіка циклу «дизайн → симуляція → перевірка». Наскільки менше CFD-, FEM- чи quantum-розрахунків потрібно? Як часто AI пропонує кандидата, що справді проходить фізичний тест? Чи переноситься модель між геометріями, матеріалами й масштабами без повного перенавчання?

Саме тут physics-first AI може виявитися значно важливішим за ще одну модель, яка краще відповідає на запитання. Якщо вона скоротить не час написання звіту, а час між ідеєю та працюючим фізичним прототипом, це вже інший клас продуктивності.

Поки що це дуже цікава ставка, а не завершена революція

Accelerated Understanding з'являється в момент, коли AI-ринок починає шукати наступний великий крок після мовних моделей. Одні компанії будують агентів, інші — world models для відео та роботів, ще інші — AI для біології. Anandkumar і Jenik ставлять на те, що фундаментом має бути безпосередня робота з фізичними полями.

Підхід має сильну академічну базу й зрозумілий бізнес-сенс. Але тепер починається складніша частина: довести, що універсальна модель фізики може бути не лише великою, а стабільно точнішою, дешевшою або кориснішою за спеціалізовані симулятори. Якщо це вийде, фраза «AI розуміє світ» нарешті означатиме трохи більше, ніж уміння красиво описати його словами.

↗