今晚这则新闻，

最容易被一个数字抢走注意力：

5 兆。

一家名叫：

Accelerated Understanding

的新 AI 公司表示，

它的新模型在测试中，

单一次可以处理：

5 兆个数据单位。

Reuters 甚至拿这个规模和目前顶尖语言模型做比较，

形容它大约是：

数百万倍。

听起来非常夸张。

但是如果只把这则新闻理解成：

「又有一个 Context Window 大到吓人的 AI。」

反而完全看错重点。

因为它真正特殊的地方是：

它根本不是拿来读文字的。

这个 AI 不是想知道「下一个字是什么」

ChatGPT。

Claude。

Gemini。

大部分我们现在熟悉的大型语言模型，

内核工作都和：

语言。

Token。

串行

有关。

非常简化地说，

你给它前面的内容，

它不断判断：

接下来最可能是什么？

这套方法最后证明：

非常强。

不只会写文章。

还能：

写程序。

分析数据。

使用工具。

做 Agent。

但是物理世界有一个问题：

世界本身不是一篇文章。

空气不是一个 Token 接一个 Token

台风移动时，

不是：

第一个字。

第二个字。

第三个字。

而是整个大气：

同时改变。

温度。

气压。

湿度。

风速。

海洋。

地形

互相影响。

而且每一个位置，

下一秒都可能：

一起变。

芯片散热也是一样。

热不是从：

第一句

走到：

第二句。

而是透过材料：

连续扩散。

这就是 Accelerated Understanding 想解决的问题

公司创办人：

Anima Anandkumar

和：

Benedikt Jenik

今天正式公开他们正在做的：

物理 AI。

Anandkumar 是 Caltech 的：

计算与数学科学教授。

她过去也曾：

在 Amazon 做研究。

后来加入 Nvidia，

领导前沿 AI 研究团队。

而她长期最重要的研究方向之一，

就叫：

Neural Operators。

Neural Operator 是什么？

如果不用数学讲，

可以先把它理解成：

一般 AI 常常在学：

「一笔输入 → 一笔答案。」

Neural Operator 想学的是：

「一整个系统怎么从一种状态变成另一种状态。」

例如：

这一片空气现在是：

这个温度。

这个压力。

这个湿度。

这个风场。

几个小时以后：

整个大气可能变成什么样？

它要学的不是：

某一个数字。

而是：

整个函数、整个物理场的变化规律。

这也是为什么它和语言模型非常不同

Accelerated Understanding 的创办人表示，

这套系统没有使用：

Transformer。

也就是今天大量 LLM 背后最重要的架构之一。

它走的是：

Neural Operator

路线。

Anandkumar 把这两种思维的差异说得非常直接。

语言模型比较像：

以人类为中心。

而她想做的是：

以自然为中心。

不是先问：

人类写了什么。

而是问：

自然本身怎么变化？

为什么 AI 需要另外一种架构？

因为不同问题：

数据结构完全不同。

文章是一串：

文字。

程序也是：

符号。

但科学问题可能是一整张：

3D 空间。

时间串行。

流体。

材料。

温度场。

压力场。

电磁场。

如果硬把所有东西都塞成：

文字 Token，

不代表永远是：

最有效的方法。

5 兆到底代表什么？

公司对 Reuters 表示，

这套 AI 在测试中，

单一次处理过：

5 兆个数据单位。

Reuters 用目前 Anthropic、Google 旗舰模型一般能处理的信息量做比喻，

算出差距可能达到：

约 500 万倍。

但这里一定要特别小心。

这不是一个可以直接拿来比较 Context Window 的 Benchmark。

为什么不能直接说它比 Claude 的 Context 大 500 万倍？

因为两边处理的：

不是同一种东西。

Claude 或 Gemini 的 Context，

通常用：

Token

描述。

这套 Physics AI 处理的是：

物理数据。

空间与时间中的数值场。

所以「5 兆」主要告诉我们：

它要处理的科学问题规模：

非常巨大。

不能因此直接下结论：

「它的 AI 能读的信息是 Claude 的 500 万倍，所以一定强 500 万倍。」

这完全不是同一个能力。

就像不能拿一台望远镜和一台打印机比较「谁看得比较远」

它们做的工作：

根本不同。

所以今天最重要的不是：

排行榜。

而是：

AI 架构开始分岔。

以前大家容易想：

Transformer 已经成功了，

那所有 AI 问题是不是：

Transformer 越做越大就好？

现在愈来愈多研究者的答案是：

不一定。

第一个应用：芯片设计

这件事和今天早报其实有一个很漂亮的链接。

早报谈：

企业开始往 AI 价值链不同层移动。

今晚这家公司则直接说：

Physics AI 可以拿来做：

芯片设计。

芯片不是只有：

电路。

还有：

温度。

材料。

热传。

电流。

结构。

一颗 AI 芯片愈快，散热反而愈难

假设你把：

更多晶体管。

更多算力。

更多内存

塞进同一个系统，

热会变成非常大的问题。

工程师现在可以：

模拟。

做样品。

测试。

修改材料。

再测一次。

但每一次：

实验。

模拟。

制造

都需要：

时间与钱。

Accelerated Understanding 的想法是：先让 AI 学会那个物理系统

例如：

材料改成 A，

温度分布会怎么变？

散热结构改 B，

哪些地方可能过热？

封装尺寸改 C，

性能和温度怎么互相影响？

如果 AI 能把：

很多实验

先变成：

快速模拟，

真正需要在实验室做的次数：

就可能下降。

这才是：

AI for Science

非常大的价值之一。

第二个应用：天气

这其实不是 Anandkumar 第一次做。

她之前在 Nvidia 时期，

就参与发展：

Neural Operator

相关的气象 AI。

Caltech 对她研究的介绍也指出，

Neural Operators 已经被用于：

流体。

材料。

气候

等连续物理系统。

而她的研究团队曾用类似方法创建：

高分辨率 AI 天气模型。

为什么 AI 天气预报特别适合这种方法？

传统数值气象模式，

要解大量：

物理方程。

整个地球切成：

很多网格。

每一格：

温度。

压力。

风。

湿度

不断演算。

准确，

但是：

非常吃算力。

Neural Operator 类型方法的希望是：

先从大量历史物理数据里，

学会这些场：

怎么演化。

然后未来预测时：

大幅加快。

但这不代表气象物理模型可以退休

这点和 SasaDaily 之前写过的：

AI 台风预报

完全一致。

AI 可以非常快。

甚至某些路径预测：

很准。

但极端事件最困难的问题就是：

训练数据里：

可能根本没发生过几次。

而且：

路径预测准。

不代表：

强度预测一定准。

所以真正成熟的方式，

仍然更可能是：

AI。

传统物理模式。

观测数据。

气象专家

一起使用。

第三个应用：机器人

机器人如果真的进入：

工厂。

商店。

家庭。

它需要理解：

非常多物理。

例如：

这个箱子：

多重？

这个杯子：

拿多大力？

地面：

滑不滑？

物体撞上去：

会往哪里倒？

机械手移动：

下一秒会发生什么？

这些都不是只有：

语言理解

就能解决。

LLM 可以告诉机器人「拿起杯子」

但真正拿杯子的是物理世界

杯子可能：

重。

滑。

热。

装满水。

放在桌边。

旁边有人。

所以 Physical AI 真正难的事情是：

把「知道要做什么」变成「知道现实世界会怎么反应」。

这就是各种：

World Model。

Physics Model。

Embodied AI

现在开始受到重视的原因。

第四个应用：能源与地质

Accelerated Understanding 还表示，

这套模型可能处理：

地下地质数据。

能源公司可以用来：

理解地下结构。

推测物理变化。

减少需要反复进行的昂贵：

模拟。

勘探。

实验。

这也是 AI for Science 和一般 Chatbot 最大的经济差异。

一个 Chatbot 帮你：

少写 20 分钟 Email。

很好。

如果一个科学 AI 能：

少做一次 500 万美元的实验，

商业价值就是：

完全不同的量级。

所以这家公司一开始不是要做消费者 Chatbot

创办人明确表示：

第一阶段瞄准：

企业客户。

这非常合理。

因为一般消费者不会每天问：

帮我模拟这片材料的热传。

但：

芯片公司。

能源公司。

机器人公司。

气象单位。

工程公司

可能每天都在解：

这类问题。

这家公司背后还有一个很有意思的故事：Jeff Bezos 原本想把他们拉进 Project Prometheus

Reuters 取得的数据显示，

在 2024 年底，

后来和 Jeff Bezos 共同创建 Project Prometheus 的：

Vik Bajaj

就曾和两位创办人讨论合作。

后来甚至出现一份：

Project Prometheus

的邀请条件。

条件非常惊人

Reuters 看过的文档显示，

Anandkumar 可以：

成为公司对外代表。

进入董事会。

主导科学方向。

她和 Jenik 合计还可能取得：

35% 股权。

两人年薪合计：

先是 100 万美元，

三个月后提高到：

200 万美元。

文档里还提到：

超过 20 亿美元的已承诺融资安排。

但他们最后没有去

两人选择：

继续做自己的公司。

而 Bezos 与 Bajaj 后来成立的：

Project Prometheus

在 2026 年 6 月完成：

120 亿美元 Series B。

Prometheus 自己也在做：

AI＋复杂实体系统制造。

这其实说明同一件事情：

资本现在开始认真追 Physical AI 与 Science AI。

不只是：

聊天机器人。

以前最热门的是「谁做下一个 ChatGPT」

现在慢慢多了一个新问题：

谁做出让 AI 理解现实世界的基础模型？

例如：

Fei-Fei Li

推 World Labs。

Yann LeCun

长期主张 World Models。

Nvidia 做：

Cosmos。

大量机器人公司做：

Physical AI。

Accelerated Understanding 则选：

物理方程与 Neural Operators。

这几条路其实并不完全一样

World Model 很多时候从：

视频。

图片。

动作。

空间

学世界。

例如 AI 看过：

大量车辆移动视频。

慢慢理解：

物体怎么移动。

而 Neural Operator 更接近：

直接学：

连续物理系统。

例如：

流体场。

热传。

大气。

材料。

所以它们可能最后：

互相合作。

而不是：

只有一条路胜出。

未来一台机器人甚至可能同时需要三种 AI

第一层：

语言模型

理解：

人要什么。

第二层：

World Model

理解：

周遭空间会怎么变。

第三层：

Physics Model

更精确理解：

力。

材料。

流体。

热。

如果这样看，

未来 AI 很可能根本不是：

一个超级模型包办全部。

而是：

不同类型智能互相组合。

这反而和今天早报「垂直集成」的主题连起来

今天早上我们谈：

Thomson Reuters 自己做专业模型。

Xiaomi 自己往 AI 芯片走。

Nvidia 据报往 AI 应用投资。

晚上再看到：

有人干脆重新问：

为什么所有 AI 都一定要用同一种模型架构？

整个产业正在从：

「大家比同一张榜」

进入：

不同问题需要不同 AI。

这会让「最强模型」这个问题愈来愈没有意义

如果你问：

哪台车最好？

答案一定是：

拿来做什么？

赛车？

货车？

越野？

家庭？

AI 也会一样。

写程序最好：

可能是一种模型。

法律研究最好：

另一种。

实时语音：

另一种。

机器人：

另一种。

物理模拟：

可能又完全不同。

Transformer 不会因此突然过时

这点也非常重要。

今天新闻不是：

「Transformer 已死。」

完全不是。

Transformer 已经证明：

对语言。

程序。

多模态。

Agent

非常强。

Accelerated Understanding 只是提出：

有一些物理问题，另一种架构可能更适合。

科技进步通常不是：

新东西出现，

旧东西全部消失。

而是：

工具箱里：

多一种工具。

Neural Operators 也不是今天突然发明的

Anandkumar 的团队已经研究：

很多年。

Caltech 的相关研究指出，

Neural Operators 可以用来加速：

偏微分方程。

流体。

材料。

气候

等模拟。

所以今天的新东西不是：

第一次有人知道 Neural Operator。

而是：

有人现在准备把这条研究路线变成一家企业级 AI 公司。

这就是「研究」跨进「产品」最重要的一步

论文可以说：

模型很快。

Benchmark 很好。

真正企业会问：

我的数据能不能用？

精度够不够？

错误可以量吗？

结果能重现吗？

可以集成现有模拟软件吗？

能不能比现在方法：

更便宜？

真正上市以后，

才是：

大考。

5 兆数字现在也必须保留一个很大的星号

因为目前这个结果是：

公司自己公布的测试。

Reuters 采访并报导了：

公司的说法。

但目前不能因此直接写成：

已经有完整独立第三方 Benchmark 证明，

Accelerated Understanding 的模型：

全面超过既有科学 AI。

尤其：

5 兆数据单位

到底在各种实际任务中代表：

多少性能。

多少准确率。

多少成本。

还需要：

更多实测。

科学 AI 最重要的 KPI 也不应该只是「数据吃多少」

真正应该看：

精度

预测和真实世界：

差多少？

速度

比现有模拟：

快多少？

成本

省多少：

GPU。

时间。

实验。

泛化

遇到没看过的：

材料。

天气。

几何结构

还行不行？

可验证

结果能不能用：

物理实验

重新确认？

这些比：

单一巨大数字

重要得多。

因为科学 AI 最大的风险不是「回答不好」

如果 ChatGPT 帮你写：

一封不太好的 Email，

你可以：

重写。

但如果 Physics AI 说：

这个材料：

可以承受。

这个芯片：

不会过热。

这个结构：

安全。

结果实际不是，

代价可能非常高。

所以 AI 愈走进：

物理世界，

验证反而：

愈重要。

这也是为什么科学 AI 最终不能只靠 AI 验证 AI

模型预测：

这个新材料可行。

另一个模型也说：

可行。

还是不等于：

真的可行。

最后一定要：

实验。

量测。

现实世界

回答。

AI 最可能改变的是：

把需要做的 1,000 次实验缩成 50 次。

而不是：

让 50 次也全部不用做。

如果真的做到，商业价值会非常大

因为人类很多科学与工程进步，

真正慢的不是：

想不到点子。

而是：

验证太贵。

新药。

材料。

芯片。

能源。

飞机。

气候。

每一个方案都去：

真的做一次，

成本太高。

如果 AI 能先把：

不可能的 90%

淘汰掉，

实验室只做：

最后最值得的 10%，

研发方式就会：

完全改变。

这可能才是 AI for Science 最大的一场革命

不是：

AI 帮科学家读更多论文。

那当然也很好。

真正更大的可能是：

AI 直接缩短「想法 → 模拟 → 实验 → 验证」的周期。

Chatbot 帮我们：

更快处理信息。

Physics AI 想做的是：

更快理解世界。

两个目标：

完全不同。

今晚真正值得记住的不是 5 兆

5 兆：

很吸睛。

但一年后真正该回头看的，

应该不是：

数字有没有变成 10 兆。

而是：

它有没有真的让：

一颗芯片少做几轮实验？

一个天气模式更快、更准？

一台机器人更安全理解物理？

一个能源公司更快理解地下结构？

如果有，

这才是真正：

新的 AI 类别。

今晚的一句判断

过去三年，

大家慢慢习惯一件事：

AI＝大型语言模型。

今天 Accelerated Understanding 提醒我们，

这两个其实：

不是同义词。

语言只是：

世界的一部分。

现实世界还有：

时间。

空间。

力。

温度。

流体。

材料。

天气。

地质。

如果 AI 下一阶段真的要：

离开聊天框，

进入芯片、

科学、

机器人与真实世界，

那么下一个重大突破：

未必是更大的 Transformer。

它甚至可能来自：

一种根本不是为文字而设计的 AI。

这才是今晚这则新闻，

真正值得注意的地方。

今天，和 AI 一起进步一点。

每天学会一个 AI 技巧。

每天节省一点时间。

每天提升一点能力。

SasaDaily，陪你一起成长。

推荐阅读

AI 已经能把台风登陆算到 30 分钟内，为什么还不能取代传统气象预报？

今日 AI 工具｜2026/07/31：Claude Science，把论文、数据分析、程序与科学图表放进同一个可追溯研究空间

Amazon Prime Air 无人机配送 2013 年就亮相，为什么到 2026 才准备扩到近 500 个美国城市？