AI, который учится не на словах, а на физике: что показала Accelerated Understanding

Большинство громких AI-релизов последних лет соревновались в том, кто лучше работает с текстом, кодом, изображениями и видео. Новая компания Accelerated Understanding делает другую ставку: научить модель не продолжать фразу, а предсказывать, как ведёт себя физический мир в пространстве и времени. 25 августа сооснователи Anima Anandkumar и Benedikt Jenik публично представили систему, которая, по их словам, работает с огромными массивами физических данных и использует neural operators вместо классической Transformer-архитектуры.

Новость легко принять за очередную гонку контекстных окон: компания заявляет, что во время inference модель обрабатывала свыше 5 триллионов элементов данных в одном запросе. Но интереснее не сама цифра, а то, что именно помещается в такой контекст. Это не пять триллионов слов. Речь идёт о многомерных полях, где значения меняются в трёх пространственных координатах и во времени: температура, давление, скорость потока, свойства материала и другие физические параметры.

Не ещё один ChatGPT для учёных

У большого языкового моделя базовая задача формулируется просто: получить последовательность токенов и предсказать следующий. Даже когда LLM пишет код или рассуждает о квантовой механике, её основной носитель знаний — язык. Accelerated Understanding хочет поставить в центр непрерывные физические процессы.

Anandkumar много лет развивает эту идею в академической работе. Neural operators создавались как способ учить отображения между функциями, а не только между векторами фиксированного размера. Это особенно важно для уравнений в частных производных — математической основы погоды, турбулентности, теплопереноса, плазмы, волн и огромного числа инженерных задач. Caltech приводит примеры, где neural-operator подходы ускоряли отдельные симуляции в сотни и тысячи раз относительно традиционных численных методов.

Новая компания пытается масштабировать эту логику от узких моделей под конкретное уравнение к более универсальной системе. По данным Reuters, модель должна работать с разными физическими явлениями, а не требовать отдельный surrogate-модель для каждой задачи. Среди возможных применений называются проектирование чипов, материалы, робототехника, экстремальная погода, геология и энергетика.

Что означают «5 триллионов» — и почему это нельзя напрямую сравнивать с Claude или Gemini

Цифра в пять триллионов закономерно стала главным заголовком. Reuters приводит оценку компании: объём примерно в пять миллионов раз больше того, что обычно принимают флагманские языковые модели Anthropic и Google. Но сравнение требует оговорки: элемент физического массива не равен языковому токену.

В тексте одна позиция может кодировать часть слова. В физической симуляции позиция может быть значением поля в конкретной точке пространства и момент времени. Если модель описывает трёхмерный объект в динамике, размер массива растёт фантастически быстро. Поэтому триллионный контекст здесь скорее говорит о способности не разрезать задачу на слишком грубые фрагменты, чем о «памяти в миллионы раз лучше ChatGPT».

Это принципиальная разница. Видеомодель может правдоподобно нарисовать течение жидкости, не соблюдая закон сохранения массы. Деталь механизма может выглядеть убедительно, хотя реальный материал перегреется или разрушится. Для инженерного применения «выглядит реалистично» недостаточно.

Зачем AI вообще моделировать физику

Одна из главных проблем современного R&D — не недостаток идей, а цена проверки. Можно сгенерировать тысячу вариантов батареи, теплообменника или крыла, но каждый кандидат нужно рассчитать, смоделировать или изготовить. Если одна высокоточная симуляция занимает часы или дни на вычислительном кластере, оптимизационный цикл быстро становится дорогим.

В июньском эссе для Daedalus Anandkumar объясняла это через образ стога сена: AI, который просто выдаёт больше гипотез, способен сделать стог ещё больше. Прорыв начинается, когда модель помогает дешево отбраковывать неудачные варианты до реального эксперимента. На эту часть цепочки и нацелен physics-first AI.

Чипы и тепловой дизайн

Современный чип определяется не только транзисторами. Плотность мощности, горячие точки, упаковка, охлаждение и материалы решают, сможет ли устройство работать на нужной частоте. Быстрая модель тепловых и электромагнитных эффектов для множества геометрий потенциально сокращает число дорогих итераций.

Погода и климат

Команда Anandkumar уже известна работами по AI-прогнозированию погоды. Здесь быстрые surrogate-модели полезны тем, что позволяют запускать множество сценариев и лучше оценивать неопределённость. Но универсальная система должна корректно вести себя и в редких режимах — например при экстремальных штормах, которых мало в обучающей выборке.

Робототехника

Робот сталкивается с трением, ударами, гибкими объектами, неровной поверхностью и задержками приводов. Видеомодель способна показать красивое движение руки, однако контроллеру нужно знать, хватит ли момента двигателя и не выскользнет ли предмет. Поэтому качественная физическая модель может стать частью planning loop, а не просто генератором картинки.

При чём здесь Джефф Безос

Запуск получил дополнительное внимание из-за связи с Project Prometheus — крупной AI-инициативой, которую поддерживает Джефф Безос. Согласно документам, изученным Reuters, Anandkumar и Jenik ранее обсуждали возможность присоединиться к проекту. Предложение включало значительную долю и многомиллиардное финансирование будущих раундов. Они решили продолжать собственную компанию.

Prometheus в 2026 году сам привлёк огромный капитал и также работает в направлении AI для физических систем и производства. Поэтому интереснее смотреть не на сюжет «отказались от Безоса», а на сам тренд: следующая большая конкуренция может происходить не в чатах, а в моделировании реального мира.

Neural operators — ключевое отличие

Transformer великолепно работает с последовательностями и оказался очень универсальным. Но физическая система часто естественно описывается функцией — например температурой T(x,y,z,t). Neural operator пытается выучить преобразование одной функции в другую: условно, как из начального состояния получить будущее поле.

Это не означает, что neural operators автоматически знают законы природы. Они тоже обучаются на данных и способны ошибаться за пределами распределения. Но тип задачи ближе к тому, как инженеры формулируют PDE-системы, и позволяет работать с разными пространственными разрешениями.

Чего пока не доказано

Accelerated Understanding только вышла из stealth-режима. Публичного benchmark-набора, подробной технической статьи о новой масштабированной модели и независимых reproduction-results пока нет. Пять триллионов элементов контекста — заявление компании, переданное Reuters, а не стандартный тест, где систему можно честно поставить рядом с конкурентами.

Кроме того, большой контекст не гарантирует точности. Модель может обработать огромный 4D-массив и всё равно ошибаться систематически. В научных и инженерных задачах важны conservation laws, calibration, uncertainty estimates, extrapolation и проверка реальными экспериментами.

Есть и проблема данных. Для LLM интернет предоставляет триллионы токенов. Физический ground truth часто приходится получать с дорогих симуляторов, датчиков или лабораторий. Синтетические данные помогают, но тогда AI наследует приближения исходной модели.

Что станет настоящим тестом

Если компания покажет воспроизводимые кейсы, главным показателем станет не размер контекста, а экономика цикла «дизайн → симуляция → проверка». Насколько сокращается число CFD-, FEM- или quantum-расчётов? Как часто предложенный AI вариант проходит физический тест? Переносится ли модель между геометриями, материалами и масштабами без полного переобучения?

Именно здесь physics-first AI может оказаться важнее ещё одного чат-бота. Если он уменьшит время не на написание отчёта, а между идеей и работающим физическим прототипом, это уже другой уровень производительности.

Пока это сильная ставка, а не завершённая революция

Accelerated Understanding появляется в момент, когда рынок ищет следующий большой шаг после языковых моделей. Одни строят автономных агентов, другие — world models для видео и роботов, третьи — AI для биологии. Anandkumar и Jenik ставят на прямую работу с физическими полями.

У подхода есть серьёзная академическая база и понятная бизнес-логика. Теперь предстоит более трудная часть: доказать, что универсальная модель физики может быть не только огромной, но и стабильно точной, дешёвой и полезной по сравнению со специализированными симуляторами. Если это получится, фраза «AI понимает мир» наконец будет означать больше, чем способность красиво описывать его словами.

↗