Physical AI（實體 AI）正在走出不同路線。當世界模型與 VLA 成為熱門方向，新創 Accelerated Understanding 選擇從物理規律切入，希望讓 AI 直接預測溫度、流體、材料等物理現象如何隨空間與時間變化。該公司目標是打造「具有通用物理理解能力的 AI（AI with universal physical understanding）」。
8 月 25 日，Accelerated Understanding 正式亮相。共同創辦人是加州理工學院教授、NVIDIA 前 AI 研究資深總監 Anima Anandkumar，以及 AI 基礎設施工程師 Benedikt Jenik。《Reuters》報導，兩人原本曾獲邀加入 Jeff Bezos 支持的 Project Prometheus，但最後選擇繼續發展自己的公司。
兩人沒有加入 Prometheus，而是繼續發展 Accelerated Understanding。這個選擇也突顯 Physical AI 正出現不同技術路線。Project Prometheus 今年 6 月完成 120 億美元 B 輪融資，目標之一是利用 AI 自動化複雜實體系統的製造；另一邊，包括 Yann LeCun、李飛飛等團隊，則投入能比文字模型更理解空間現實的世界模型（World model）。而 Accelerated Understanding 押注的，是另一種以物理現象為核心的方法。
不只理解世界長什麼樣，還要預測物理變化
《Reuters》指出，Accelerated Understanding 的模型並不是為語言設計，而是用來預測物理現象在空間與時間中的變化。Anandkumar 將差異形容為，大型語言模型（LLM）以人類為中心，而他們希望把物理放在核心。
Accelerated Understanding 認為，大型語言模型雖然能提出設計構想、對物理問題形成高階判斷，但本身沒有直接模擬或驗證物理結果的能力，因此最後仍得回到實驗或數值模擬。針對特定問題打造的物理模型，則通常只能處理有限任務，也較依賴特定領域的訓練資料。
針對目前熱門的影片式世界模型，Accelerated Understanding 則認為，從影像預測下一個畫面的方式，主要保留可見的 2D 資訊，難以完整呈現速度、壓力、溫度等工程與科學需要的物理資訊；若模型逐步預測未來畫面，誤差也可能隨時間累積。因此，他們選擇直接處理 3D 空間加上時間，一次預測物理系統在一段時間內如何演變。
Accelerated Understanding 也認為，隨著 AI 越來越容易提出研究想法與設計方案，研發瓶頸可能逐漸從想出新點子，往後續驗證、執行與改進移動。自動化實驗室雖然能加快部分流程，仍沒有消除反覆實驗與調整所需的時間。因此，他們希望進一步用 AI 模擬物理系統，先回答不同條件下可能發生什麼，並提供設計往哪個方向調整的回饋。
Accelerated Understanding 稱自己的方法為「Physical AI in 4D」。所謂 Physical AI in 4D，就是直接保留 3D 空間，再加入時間維度。簡單來說，大型語言模型是在預測下一個 token 是什麼，Accelerated Understanding 則根據物理系統目前的狀態，一次預測接下來一段時間會怎麼變。
捨棄 Transformer，改走 neural operator
架構上，Accelerated Understanding 也沒有使用 ChatGPT 等大型語言模型常見的 Transformer，而採用 Anandkumar 過去參與開創的 neural operator。
這種機器學習框架不是因為這家公司才出現，Anandkumar 等研究者 2024 年在《Nature Reviews Physics》就已指出，neural operator 可用來學習連續物理場之間的變化關係，處理流體、天氣、材料等涉及時空變化與偏微分方程的問題。
Accelerated Understanding 現在想驗證的是，能不能把這類過去多半針對特定物理問題建立的模型進一步放大，讓同一個大型模型同時學習不同物理現象。
從專用模型走向兆級物理模型
該公司表示，目前已完成數百次大型預訓練，實際模型最高達 1 兆參數，另曾進行最高 35 兆參數的擴展實驗；多種物理任務共同訓練後，在相同模型規模下，表現也可以優於分別訓練的專用模型。
實體 AI 模型需要處理的資料規模也與語言模型不同。《Reuters》指出，其模型推論時最高曾處理超過 5 兆個資料點。這不代表能力是語言模型的數百萬倍，而是因為 4D 模型必須同時描述 3D 空間與時間，每增加一個維度，資料量就會快速膨脹。
從晶片、氣候到機器人，Physical AI 的範圍正在擴大
Accelerated Understanding 目前先鎖定企業市場。《Reuters》指出，公司設想的用途包括晶片設計、機器人、極端天氣預測，以及能源公司的地質資料分析。以晶片為例，它希望透過模型預測材料與溫度對效能的影響，讓工程師更快比較不同設計方案。
這家公司目前仍剛公開亮相，但它帶出的產業訊號值得注意：Physical AI 不只圍繞如何讓機器感知環境、理解空間並採取行動，也開始有人直接把「物理世界如何變化」當成模型要學習的核心能力。
Accelerated Understanding 接下來真正需要證明的，是這種跨物理領域的 scaling 能否延續到真實工程場景，並比既有的專用模擬方法帶來足夠大的效率提升。
科技的變化總是快得驚人，而我們每天的工作，就是從龐雜的趨勢中理出觀點、提煉出決策者真正需要的洞察。如果你也對 AI 發展充滿熱情，《TechOrange 科技報橘》正在徵內容編輯！
👉了解職缺內容
【推薦閱讀】
◆ AI Agent、Reasoning 放大推論成本：模型業者開始重新思考 Transformer
＊本文開放合作夥伴轉載，資料來源：《Reuters》、Accelerated Understanding、《TechTimes》，首圖來源：Accelerated Understanding
