拒绝贝索斯 20 亿美元后，这对夫妇用 Neural Operators 重构了物理 AI：单次提示 5 万亿数据点
拒绝贝索斯 20 亿美元后，这对夫妇用 Neural Operators 重构了物理 AI：单次提示 5 万亿数据点
> 2026 年 8 月 25 日，前 NVIDIA 机器学习研究总监 Anima Anandkumar 和丈夫 Benedikt Jenik 正式揭开他们创立的 Accelerated Understanding 公司面纱。他们的 AI 系统抛弃了统治大模型时代的 Transformer 架构，改用 Neural Operators（神经算子），在测试中单次提示处理了 5 万亿个数据点——约为 Anthropic Claude 或 Google Gemini 典型上下文容量的 500 万倍。这不是又一款聊天机器人，而是一个以物理定律为核心、而非以人类语言为核心的全新 AI 范式。
---
🌌 5 万亿数据点：什么概念？
如果说传统大语言模型的上下文窗口是一本书，Accelerated Understanding 的提示规模就是一座图书馆。
5 万亿个数据点，相当于把托尔斯泰的《战争与和平》读 500 万次。这不是为了炫技——物理模拟天然需要海量数据。一个高分辨率的气候模型、一次芯片级的热力学仿真、或者一个机器人对三维空间的感知，都需要在单次推理中处理横跨空间和时间维度的巨量数值。
Anandkumar 的比喻更直接："以语言为中心的智能观是人类中心主义。把物理放在中心，是自然中心主义。"
> 小贴士：Neural Operators（神经算子） 是什么？传统科学计算需要为每个新场景从头求解偏微分方程（PDE），而 Neural Operators 学习的是物理系统背后的"算子"——即输入到输出之间的数学映射关系。一旦学会，它可以在新的边界条件和参数下瞬间给出预测，速度比传统数值模拟快数个数量级，同时保持相当的精度。Anandkumar 在 2021 年发表的 Fourier Neural Operator 论文奠定了这一领域的基础。
---
🧠 Transformer 的边界：为什么语言模型做不好物理？
今天的几乎所有主流 AI 模型——ChatGPT、Claude、Gemini——都基于 Google 2017 年发明的 Transformer 架构。Transformer 的本质是注意力机制：它学习词与词之间的统计关联，通过预测序列中的下一个元素（下一个词、下一个像素、下一个代码 token）来生成输出。
这种架构在处理文本、代码和图像上取得了惊人成功，因为它擅长捕捉离散符号之间的长距离依赖。但物理世界不是符号序列——它是一个连续的、满足特定偏微分方程约束的时空场。流体动力学、热传导、电磁场、材料应力，这些现象的演化规律由 Navier-Stokes 方程、热方程、Maxwell 方程组等数学结构支配，而非由词汇共现统计支配。
Neural Operators 的关键洞察是：不直接学习从输入场到输出场的映射，而是学习定义在函数空间上的"算子"。这意味着同一个训练好的模型，可以泛化到不同的网格分辨率、不同的边界形状、不同的材料参数——这是传统数值求解器和 Transformer 都难以做到的。
---
💰 他们拒绝了什么？贝索斯背书的 Prometheus 邀约
Accelerated Understanding 的故事之所以引人入胜，还在于它的起源。2024 年底，投资人 Vik Bajaj——后来与亚马逊创始人 Jeff Bezos 共同创立了 Prometheus 项目——在洛杉矶与 Anandkumar 和 Jenik 共进晚餐，讨论合作。随后递出的一份名为"Project Prometheus"的 offer letter 令人咋舌：
- Anandkumar 作为公司公众面孔、董事会成员和科学愿景拥有者
- 夫妇合计 35% 股权
- 合计年薪 100 万美元，三个月后翻倍至 200 万美元
- 通过 B 轮融资承诺的 20 亿美元+ 资本
- 投资者包括 Bezos
Anandkumar 和 Jenik 选择继续独立建设 Accelerated Understanding。而 Prometheus 在 2026 年 6 月完成了 120 亿美元的 B 轮融资——这是 2026 年最大规模的融资之一——目标是用 AI 自动化复杂物理系统的制造。
NVIDIA CEO Jensen Huang 是 Accelerated Understanding 科学根源的另一个关键推手。Anandkumar 2018 年加入 NVIDIA，担任机器学习研究总监五年。她的团队早期展示了 AI 如何加速天气预报，达到与传统数值预报相当的精度，但计算成本大幅降低。Huang 在 2021 年 GTC 大会上展示了她的 Neural Operator 研究，并鼓励她继续深入。Anandkumar 回忆告诉 Huang 这项技术"最终会吃掉物理理论家的午餐"，Huang 的回答是："我希望它吃掉所有人的午餐。"
---
🏭 物理 AI 的商业版图：芯片、机器人、天气与能源
Accelerated Understanding 定位企业客户，而非消费者。它的首个战场横跨多个物理密集型行业：
芯片设计是最自然的切入点。当前各公司用基于文本推理的 AI 辅助半导体设计，但 Accelerated Understanding 认为，对材料行为和热属性的内在物理把握，才能以更少试错优化芯片性能。
机器人是另一个关键场景。理解三维空间中物体如何相互作用的物理模型，可以改善机器人的运动规划和执行——这不是靠"阅读"关于物理的文本来实现，而是靠"内化"物理定律本身。
天气预报延续了 Anandkumar 在 NVIDIA 时期的工作。传统数值天气预报需要超级计算机运行数小时，而 Neural Operators 可以在秒级给出同等精度的预测。
能源勘探则涉及用统一的物理模型替代每个场景单独构建的定制仿真——一家石油公司的地质数据、一家地热公司的岩层数据，可以用同一个基础物理 AI 处理。
---
🔬 技术深潜：Neural Operators 如何工作？
Neural Operators 的核心数学思想是学习定义在无限维函数空间上的算子，而非有限维向量之间的映射。
传统神经网络学习的是 \(f: \mathbb{R}^n \to \mathbb{R}^m\)——从 n 维输入到 m 维输出的映射。但物理系统的输入和输出本身就是函数（比如整个空间上的温度场、速度场）。Neural Operators 学习的是 \(G: \mathcal{A} \to \mathcal{B}\)，其中 \(\mathcal{A}\) 和 \(\mathcal{B}\) 是函数空间。
Anandkumar 2021 年提出的 Fourier Neural Operator（FNO） 利用快速傅里叶变换在频域中执行积分算子，将物理系统的全局演化压缩为频域中的低维操作。这种方法的妙处在于：它与空间分辨率无关。一个在 64×64 网格上训练的 FNO，可以直接应用到 256×256 甚至更高分辨率的网格上，无需重新训练。
Accelerated Understanding 将这一架构扩展到 1 万亿参数的预训练规模，与世界上最大的语言模型处于同一量级。但在推理时，它处理的不是文本 token，而是物理场的数值表示——单次提示超过 5 万亿个数据点。
---
🌠 世界模型的另一种答案
Accelerated Understanding 的入场，为"世界模型"（World Models）竞赛提供了与 Yann LeCun、Fei-Fei Li 等人不同的技术路线。
LeCun 倡导的 JEPA（联合嵌入预测架构）强调通过自监督学习获得世界的抽象表征；Fei-Fei Li 的 World Labs 聚焦空间智能和三维场景理解。而 Accelerated Understanding 的赌注是：最通用的物理预测能力，来自以数学算子为核心的架构，而非以视觉或语言为媒介的表征学习。
这个赌注是否正确，还需要时间验证。5 万亿数据点的单次提示是一个令人瞩目的演示，但更大的问题是：这种规模能否转化为更好的芯片、更可靠的机器人、更准确的天气预报和更高效的工业系统？
如果答案是肯定的，那么 Accelerated Understanding 不仅是一家创业公司，更是 AI 从"数字世界"走向"物理世界"的里程碑——一个不以人类语言为中心、而以自然定律为中心的智能范式，可能正在诞生。
> 关键数字回溯：5 万亿数据点 / 单次提示（约为 Claude/Gemini 典型容量 500 万倍）；1 万亿参数预训练规模；Neural Operators 技术源于 Anandkumar 2021 年 Fourier Neural Operator 论文；Prometheus offer：35% 股权 / $1M→$2M 年薪 / $2B+ 承诺资本（2024 年底）；Prometheus 后续：$12B B 轮（2026-06）；NVIDIA CEO Jensen Huang 2018-2023 支持 Anandkumar 研究；企业优先策略，无消费者产品。
---
*参考资料：Reuters 独家报道 / CNBC TV18 / Analytics Insight / Tech Startups / Finimize / The AI Dude / NVIDIA GTC 2021 / Anandkumar 2021 FNO 论文*