AI基础模型分叉：Accelerated Understanding押注Neural Operator直接建模物理世界

事件概述

路透社2026年8月报道，Anima Anandkumar和Benedikt Jenik拒绝了贝索斯支持的Project Prometheus的高薪与股权邀请，选择继续运营Accelerated Understanding。这标志着AI基础模型正从单一的语言智能分叉出物理世界建模路线。Project Prometheus旨在打造参与设计、实验和制造的“通用工程师”，而Accelerated Understanding则聚焦于更底层的物理定律建模，试图让AI直接学习物理世界的连续时空演化，进而服务于模拟、优化与设计。

核心信息

1. 技术路径：从序列续写到算子学习

传统大语言模型基于离散token序列进行预测，而Accelerated Understanding采用的**Neural Operator（神经算子）**技术处理的是连续的三维空间加时间的四维场。其核心逻辑不是预测下一个词，而是学习偏微分方程的解算子，即建立“初始物理状态+边界条件”到“未来演化状态”的函数映射。

• Fourier Neural Operator (FNO)：利用傅里叶空间处理全局耦合关系，理论上不受固定网格分辨率限制，适合处理连续、可变尺度的物理场。
• 4D Rollout：与传统逐步推演不同，该技术试图一次性输出完整的未来时空轨迹，以规避传统数值模拟中误差随时间步累积放大的问题。
• 数据规模争议：公司宣称单次推理可处理超5万亿数据点，输出约22TB数据。需注意的是，物理场的数据点膨胀源于高维离散化，不能直接与语言模型的上下文长度等同视之，且伴随巨大的数据传输与存储挑战。

2. 发展现状：专用模拟器向基础模型演进

Anandkumar团队早在2020年前后便提出用神经网络学习PDE解算子的方法论。后续研究如FourCastNet在全球天气预测中实现了秒级生成一周预报，核聚变等离子体演化模拟也报告了数量级的加速。然而，当前多数应用仍遵循“一个任务配一套模型”的逻辑（如天气模型、流体模型独立存在）。

Accelerated Understanding的赌注在于跨物理预训练的通用性。IBM于2026年发布的PDE-FM在多维物理数据集上的预训练结果显示，不同物理过程间存在可迁移结构，部分领域优于基线。但这仅证明可行性，距离实现能自动适应湍流、激波、高雷诺数等现实边缘条件的“通用物理引擎”仍有巨大差距。

3. 商业价值：可微分设计与研发范式转移

即便无法实现单一的通用物理模型，Neural Operator代理模型的商业价值依然显著，主要体现在改变研发经济账：

• 从判断器到搜索器：传统工程中，仿真仅是昂贵的验证环节；而在可微分环境下，模型可作为设计环境的一部分，反向搜索优化参数（如芯片散热结构、电池配方、聚变装置稳定性）。
• 降低试错成本：通过在计算空间中快速淘汰大量无效方案，将原本需要数百次的高成本实验或高精度仿真压缩至几十次，从而大幅缩短芯片、材料、能源及药物研发的周期。

值得关注

Physical AI目前呈现三条截然不同的发展路径，未来可能形成互补而非取代的关系：

1. 工程调度路线（如Project Prometheus）：让AI理解任务并调度工具，充当“通用工程师”。
2. 世界模型路线（World Model）：从视频和交互中学习，服务于机器人、自动驾驶等具身智能场景。
3. 物理定律建模路线（如Accelerated Understanding）：直接对连续时空演化进行建模，优先解决高保真模拟与逆向设计问题。

基础模型正在分化以适应不同世界结构的计算基底。对于物理AI而言，真正的突破不在于参数规模的无限堆砌，而在于能否在足够复杂、昂贵的真实物理问题上，提供比现有数值方法更可靠、更高效的解决方案。