Anima Anandkumar i Benedikt Jenik mogli współtworzyć jeden z najbardziej ambitnych projektów AI finansowanych przez Jeffa Bezosa. Zamiast tego wybrali własną drogę. Ich startup Accelerated Understanding stworzył model sztucznej inteligencji, który nie został zaprojektowany przede wszystkim do rozumienia języka. Ma przewidywać, jak zachowuje się rzeczywisty świat.
W świecie sztucznej inteligencji trwa kolejny etap wyścigu. Przez ostatnie lata najwięcej uwagi skupiały modele językowe, takie jak ChatGPT, Gemini czy Claude. Ich możliwości rosły wraz ze skalą modeli, ilością danych i długością kontekstu. Teraz część badaczy uważa jednak, że kolejną granicą AI nie będzie jeszcze większa liczba tekstów, lecz zdolność rozumienia praw fizyki.
Właśnie na tym założeniu zbudowano Accelerated Understanding, startup założony przez Anima Anandkumar i Benedikta Jenika. Firma zaprezentowała system, który według jej twórców potrafił podczas testów przetworzyć nawet 5 bilionów elementów danych w pojedynczym kontekście. To skala około pięciu milionów razy większa niż typowy kontekst flagowych modeli AI firmy Anthropic i Google, według porównania przedstawionego przez Reutersa.
To jednak nie sama liczba robi tutaj największe wrażenie.
To nie ma być kolejny ChatGPT
Kluczowa różnica polega na tym, czego model ma się nauczyć.
Klasyczne modele językowe zostały stworzone przede wszystkim do pracy z informacją zapisaną w języku. Analizują ogromne ilości tekstu i uczą się przewidywać kolejne elementy sekwencji. Dzięki temu potrafią prowadzić rozmowy, pisać kod, analizować dokumenty czy generować tekst.
Accelerated Understanding chce pójść w zupełnie inną stronę.
Model firmy ma przewidywać zjawiska fizyczne zachodzące w przestrzeni i czasie. Zamiast traktować świat jako zbiór opisów zapisanych słowami, ma uczyć się jego zachowania na podstawie danych fizycznych.
Twórcy określają to jako podejście „nature-centric”, czyli skoncentrowane na naturze, a nie na człowieku i jego języku.
– Językocentryczne spojrzenie na inteligencję stawia człowieka w centrum. Umieszczenie fizyki w centrum to spojrzenie skoncentrowane na naturze – powiedziała Anima Anandkumar.
To ważna zmiana filozofii rozwoju AI. Jeżeli się powiedzie, sztuczna inteligencja może przestać być przede wszystkim narzędziem do pracy z informacją i stać się narzędziem do symulowania rzeczywistości.
Zamiast Transformerów – neural operators
Accelerated Understanding nie wykorzystuje klasycznej architektury Transformer, która stała się fundamentem współczesnej generatywnej AI.
Firma wykorzystuje natomiast tzw. neural operators – podejście matematyczne, nad którym Anandkumar pracowała już wcześniej. Jego zastosowanie pozwala modelować zależności zachodzące w przestrzeni i czasie.
Startup opisuje swoją technologię jako „Physical AI”. Model ma analizować fizyczny stan danego systemu, a następnie przewidywać jego rozwój w czasie. Co istotne, firma deklaruje, że robi to w czterech wymiarach – trzech wymiarach przestrzeni oraz czasie.
To właśnie dlatego zwykłe porównywanie długości kontekstu modeli językowych z możliwościami Accelerated Understanding może być mylące. W przypadku tekstu kontekst jest zasadniczo jednowymiarową sekwencją. W przypadku symulacji fizycznej dane muszą jednocześnie opisywać przestrzeń oraz zmiany zachodzące w czasie.
Firma twierdzi, że jej modele osiągnęły już ponad bilion elementów kontekstu podczas treningu oraz ponad 5 bilionów podczas działania modelu. Największe eksperymenty treningowe miały obejmować modele o rozmiarze do 35 bilionów parametrów.
To deklaracje samej firmy, a nie niezależnie zweryfikowany benchmark porównujący wszystkie dostępne modele AI. Ich znaczenie polega jednak na pokazaniu kierunku, w którym rozwija się część badań nad sztuczną inteligencją.
AI może projektować układy scalone
Najciekawsze jest to, co taka technologia może zrobić poza laboratorium.
Jednym z pierwszych potencjalnych zastosowań jest projektowanie chipów.
Współczesne procesory są niezwykle skomplikowanymi systemami, w których znaczenie mają m.in. materiały, temperatura, przepływ energii i właściwości poszczególnych elementów. AI jest już wykorzystywana przy projektowaniu elektroniki, ale Accelerated Understanding uważa, że modele rozumiejące fizykę mogą pójść znacznie dalej.
Zamiast wielokrotnie testować różne rozwiązania w laboratorium, system mógłby wcześniej przewidywać, jak zachowa się projektowany układ.
To oznaczałoby potencjalnie krótszy cykl projektowania i mniej kosztownych eksperymentów.
I właśnie tutaj pojawia się jedna z najważniejszych obietnic „Physical AI”: zastąpienie części fizycznych eksperymentów ich cyfrową symulacją.
Roboty, pogoda i energetyka
Na projektowaniu chipów lista zastosowań się jednak nie kończy.
Twórcy Accelerated Understanding wskazują również na robotykę, prognozowanie ekstremalnych zjawisk pogodowych oraz analizę danych geologicznych wykorzystywanych przez firmy energetyczne.
W każdym z tych przypadków problem jest podobny. Klasyczne modele matematyczne są często tworzone pod konkretny problem. Jeden model może być przeznaczony do określonego rodzaju symulacji, inny do prognozowania pogody, a jeszcze inny do analizy zachowania materiałów.
Ambicją Accelerated Understanding jest stworzenie bardziej uniwersalnego systemu.
Firma twierdzi, że jeden model może być uczony na wielu różnych obszarach fizyki, a następnie wykorzystywany do rozwiązywania problemów, których wcześniej nie widział dokładnie w takiej formie.
Jeżeli ta koncepcja okaże się skuteczna, mogłaby przypominać drogę, którą przeszły modele językowe. Zamiast tworzyć osobny system dla każdego zadania, można byłoby rozwijać jeden duży model zdolny do pracy z wieloma rodzajami problemów fizycznych.
Mogli budować AI dla Jeffa Bezosa
Historia Accelerated Understanding jest tym ciekawsza, że jego twórcy mieli okazję znaleźć się w samym centrum innego ogromnego projektu.
Anima Anandkumar i Benedikt Jenik byli wcześniej namawiani do współtworzenia Project Prometheus, przedsięwzięcia wspieranego przez Jeffa Bezosa.
Według dokumentów opisanych przez Reutersa propozycja dla Anandkumar zakładała bardzo wysoką pozycję w projekcie. Mogła zostać jego publiczną twarzą, członkinią zarządu oraz osobą odpowiedzialną za wizję naukową. Anandkumar i Jenik mieli otrzymać łącznie 35 proc. udziałów, a ich wynagrodzenie miało początkowo wynosić 1 mln dolarów rocznie i wzrosnąć do 2 mln dolarów po trzech miesiącach pracy.
Dokument miał również przewidywać ponad 2 mld dolarów finansowania w kolejnych rundach.
Para ostatecznie zdecydowała się jednak rozwijać własną firmę.
W międzyczasie Bezos i inwestor Vik Bajaj kontynuowali rozwój Prometheus. W czerwcu 2026 roku projekt miał pozyskać 12 mld dolarów w rundzie Series B. Prometheus koncentruje się na AI, która ma automatyzować produkcję skomplikowanych systemów fizycznych.
Dwie firmy wybrały więc podobny kierunek – połączenie AI ze światem fizycznym – ale chcą osiągnąć go zupełnie innymi metodami.
Pomysł zaczął się w Nvidii
Korzenie technologii Accelerated Understanding sięgają jeszcze wcześniej.
Anima Anandkumar dołączyła do Nvidii w 2018 roku i pracowała nad wykorzystaniem procesorów graficznych do zaawansowanych zastosowań sztucznej inteligencji. Jednym z projektów było wykorzystanie AI do prognozowania pogody.
Rezultaty były na tyle interesujące, że Jensen Huang, prezes Nvidii, zaprezentował prace Anandkumar dotyczące neural operators podczas konferencji GTC w 2021 roku.
Według Anandkumar to właśnie Huang zachęcał ją do dalszego rozwijania tej koncepcji.
Dziś jej startup próbuje przekuć ją w znacznie większy projekt: uniwersalny model sztucznej inteligencji zdolny do symulowania zjawisk fizycznych.
To może być następny etap wyścigu AI
Wojna o dominację w sztucznej inteligencji coraz wyraźniej wychodzi poza chatboty.
Największe firmy technologiczne nadal inwestują miliardy dolarów w modele językowe, centra danych i procesory. Jednocześnie rośnie zainteresowanie tzw. world models, czyli systemami, które mają znacznie lepiej rozumieć przestrzeń, obiekty i zależności zachodzące w rzeczywistym świecie.
Accelerated Understanding idzie jeszcze dalej. Zamiast uczyć AI wyłącznie tego, jak wygląda świat, chce nauczyć ją jak świat działa.
To zasadnicza różnica.
Jeśli model językowy potrafi opisać, dlaczego most może się zawalić, model fizyczny powinien być w stanie zasymulować zachowanie jego konstrukcji pod wpływem określonych obciążeń. Jeśli chatbot może opisać działanie układu chłodzenia, Physical AI ma potencjalnie przewidzieć, jak zmiana jego geometrii wpłynie na temperaturę konkretnego urządzenia.
Na razie pozostaje pytanie, jak dobrze technologia Accelerated Understanding poradzi sobie z rzeczywistymi problemami i czy deklarowane możliwości przełożą się na komercyjne zastosowania.
Firma zaczyna bowiem od rynku przedsiębiorstw, a nie od produktu konsumenckiego.
Jeżeli jednak podejście okaże się skuteczne, możemy być świadkami ważnej zmiany. Następnym wielkim modelem AI nie musi być chatbot, który jeszcze lepiej rozumie człowieka. Może nim być system, który znacznie lepiej rozumie samą rzeczywistość.
Foto: Accelerated Understanding.