今晚這則新聞，

最容易被一個數字搶走注意力：

5 兆。

一家名叫：

Accelerated Understanding

的新 AI 公司表示，

它的新模型在測試中，

單一次可以處理：

5 兆個資料單位。

Reuters 甚至拿這個規模和目前頂尖語言模型做比較，

形容它大約是：

數百萬倍。

聽起來非常誇張。

但是如果只把這則新聞理解成：

「又有一個 Context Window 大到嚇人的 AI。」

反而完全看錯重點。

因為它真正特殊的地方是：

它根本不是拿來讀文字的。

這個 AI 不是想知道「下一個字是什麼」

ChatGPT。

Claude。

Gemini。

大部分我們現在熟悉的大型語言模型，

核心工作都和：

語言。

Token。

序列

有關。

非常簡化地說，

你給它前面的內容，

它不斷判斷：

接下來最可能是什麼？

這套方法最後證明：

非常強。

不只會寫文章。

還能：

寫程式。

分析資料。

使用工具。

做 Agent。

但是物理世界有一個問題：

世界本身不是一篇文章。

空氣不是一個 Token 接一個 Token

颱風移動時，

不是：

第一個字。

第二個字。

第三個字。

而是整個大氣：

同時改變。

溫度。

氣壓。

濕度。

風速。

海洋。

地形

互相影響。

而且每一個位置，

下一秒都可能：

一起變。

晶片散熱也是一樣。

熱不是從：

第一句

走到：

第二句。

而是透過材料：

連續擴散。

這就是 Accelerated Understanding 想解決的問題

公司創辦人：

Anima Anandkumar

和：

Benedikt Jenik

今天正式公開他們正在做的：

物理 AI。

Anandkumar 是 Caltech 的：

計算與數學科學教授。

她過去也曾：

在 Amazon 做研究。

後來加入 Nvidia，

領導前沿 AI 研究團隊。

而她長期最重要的研究方向之一，

就叫：

Neural Operators。

Neural Operator 是什麼？

如果不用數學講，

可以先把它理解成：

一般 AI 常常在學：

「一筆輸入 → 一筆答案。」

Neural Operator 想學的是：

「一整個系統怎麼從一種狀態變成另一種狀態。」

例如：

這一片空氣現在是：

這個溫度。

這個壓力。

這個濕度。

這個風場。

幾個小時以後：

整個大氣可能變成什麼樣？

它要學的不是：

某一個數字。

而是：

整個函數、整個物理場的變化規律。

這也是為什麼它和語言模型非常不同

Accelerated Understanding 的創辦人表示，

這套系統沒有使用：

Transformer。

也就是今天大量 LLM 背後最重要的架構之一。

它走的是：

Neural Operator

路線。

Anandkumar 把這兩種思維的差異說得非常直接。

語言模型比較像：

以人類為中心。

而她想做的是：

以自然為中心。

不是先問：

人類寫了什麼。

而是問：

自然本身怎麼變化？

為什麼 AI 需要另外一種架構？

因為不同問題：

資料結構完全不同。

文章是一串：

文字。

程式也是：

符號。

但科學問題可能是一整張：

3D 空間。

時間序列。

流體。

材料。

溫度場。

壓力場。

電磁場。

如果硬把所有東西都塞成：

文字 Token，

不代表永遠是：

最有效的方法。

5 兆到底代表什麼？

公司對 Reuters 表示，

這套 AI 在測試中，

單一次處理過：

5 兆個資料單位。

Reuters 用目前 Anthropic、Google 旗艦模型一般能處理的資訊量做比喻，

算出差距可能達到：

約 500 萬倍。

但這裡一定要特別小心。

這不是一個可以直接拿來比較 Context Window 的 Benchmark。

為什麼不能直接說它比 Claude 的 Context 大 500 萬倍？

因為兩邊處理的：

不是同一種東西。

Claude 或 Gemini 的 Context，

通常用：

Token

描述。

這套 Physics AI 處理的是：

物理資料。

空間與時間中的數值場。

所以「5 兆」主要告訴我們：

它要處理的科學問題規模：

非常巨大。

不能因此直接下結論：

「它的 AI 能讀的資訊是 Claude 的 500 萬倍，所以一定強 500 萬倍。」

這完全不是同一個能力。

就像不能拿一台望遠鏡和一台印表機比較「誰看得比較遠」

它們做的工作：

根本不同。

所以今天最重要的不是：

排行榜。

而是：

AI 架構開始分岔。

以前大家容易想：

Transformer 已經成功了，

那所有 AI 問題是不是：

Transformer 越做越大就好？

現在愈來愈多研究者的答案是：

不一定。

第一個應用：晶片設計

這件事和今天早報其實有一個很漂亮的連結。

早報談：

企業開始往 AI 價值鏈不同層移動。

今晚這家公司則直接說：

Physics AI 可以拿來做：

晶片設計。

晶片不是只有：

電路。

還有：

溫度。

材料。

熱傳。

電流。

結構。

一顆 AI 晶片愈快，散熱反而愈難

假設你把：

更多電晶體。

更多算力。

更多記憶體

塞進同一個系統，

熱會變成非常大的問題。

工程師現在可以：

模擬。

做樣品。

測試。

修改材料。

再測一次。

但每一次：

實驗。

模擬。

製造

都需要：

時間與錢。

Accelerated Understanding 的想法是：先讓 AI 學會那個物理系統

例如：

材料改成 A，

溫度分布會怎麼變？

散熱結構改 B，

哪些地方可能過熱？

封裝尺寸改 C，

效能和溫度怎麼互相影響？

如果 AI 能把：

很多實驗

先變成：

快速模擬，

真正需要在實驗室做的次數：

就可能下降。

這才是：

AI for Science

非常大的價值之一。

第二個應用：天氣

這其實不是 Anandkumar 第一次做。

她之前在 Nvidia 時期，

就參與發展：

Neural Operator

相關的氣象 AI。

Caltech 對她研究的介紹也指出，

Neural Operators 已經被用於：

流體。

材料。

氣候

等連續物理系統。

而她的研究團隊曾用類似方法建立：

高解析度 AI 天氣模型。

為什麼 AI 天氣預報特別適合這種方法？

傳統數值氣象模式，

要解大量：

物理方程。

整個地球切成：

很多網格。

每一格：

溫度。

壓力。

風。

濕度

不斷演算。

準確，

但是：

非常吃算力。

Neural Operator 類型方法的希望是：

先從大量歷史物理資料裡，

學會這些場：

怎麼演化。

然後未來預測時：

大幅加快。

但這不代表氣象物理模型可以退休

這點和 SasaDaily 之前寫過的：

AI 颱風預報

完全一致。

AI 可以非常快。

甚至某些路徑預測：

很準。

但極端事件最困難的問題就是：

訓練資料裡：

可能根本沒發生過幾次。

而且：

路徑預測準。

不代表：

強度預測一定準。

所以真正成熟的方式，

仍然更可能是：

AI。

傳統物理模式。

觀測資料。

氣象專家

一起使用。

第三個應用：機器人

機器人如果真的進入：

工廠。

商店。

家庭。

它需要理解：

非常多物理。

例如：

這個箱子：

多重？

這個杯子：

拿多大力？

地面：

滑不滑？

物體撞上去：

會往哪裡倒？

機械手移動：

下一秒會發生什麼？

這些都不是只有：

語言理解

就能解決。

LLM 可以告訴機器人「拿起杯子」

但真正拿杯子的是物理世界

杯子可能：

重。

滑。

熱。

裝滿水。

放在桌邊。

旁邊有人。

所以 Physical AI 真正難的事情是：

把「知道要做什麼」變成「知道現實世界會怎麼反應」。

這就是各種：

World Model。

Physics Model。

Embodied AI

現在開始受到重視的原因。

第四個應用：能源與地質

Accelerated Understanding 還表示，

這套模型可能處理：

地下地質資料。

能源公司可以用來：

理解地下結構。

推測物理變化。

減少需要反覆進行的昂貴：

模擬。

勘探。

實驗。

這也是 AI for Science 和一般 Chatbot 最大的經濟差異。

一個 Chatbot 幫你：

少寫 20 分鐘 Email。

很好。

如果一個科學 AI 能：

少做一次 500 萬美元的實驗，

商業價值就是：

完全不同的量級。

所以這家公司一開始不是要做消費者 Chatbot

創辦人明確表示：

第一階段瞄準：

企業客戶。

這非常合理。

因為一般消費者不會每天問：

幫我模擬這片材料的熱傳。

但：

晶片公司。

能源公司。

機器人公司。

氣象單位。

工程公司

可能每天都在解：

這類問題。

這家公司背後還有一個很有意思的故事：Jeff Bezos 原本想把他們拉進 Project Prometheus

Reuters 取得的資料顯示，

在 2024 年底，

後來和 Jeff Bezos 共同建立 Project Prometheus 的：

Vik Bajaj

就曾和兩位創辦人討論合作。

後來甚至出現一份：

Project Prometheus

的邀請條件。

條件非常驚人

Reuters 看過的文件顯示，

Anandkumar 可以：

成為公司對外代表。

進入董事會。

主導科學方向。

她和 Jenik 合計還可能取得：

35% 股權。

兩人年薪合計：

先是 100 萬美元，

三個月後提高到：

200 萬美元。

文件裡還提到：

超過 20 億美元的已承諾融資安排。

但他們最後沒有去

兩人選擇：

繼續做自己的公司。

而 Bezos 與 Bajaj 後來成立的：

Project Prometheus

在 2026 年 6 月完成：

120 億美元 Series B。

Prometheus 自己也在做：

AI＋複雜實體系統製造。

這其實說明同一件事情：

資本現在開始認真追 Physical AI 與 Science AI。

不只是：

聊天機器人。

以前最熱門的是「誰做下一個 ChatGPT」

現在慢慢多了一個新問題：

誰做出讓 AI 理解現實世界的基礎模型？

例如：

Fei-Fei Li

推 World Labs。

Yann LeCun

長期主張 World Models。

Nvidia 做：

Cosmos。

大量機器人公司做：

Physical AI。

Accelerated Understanding 則選：

物理方程與 Neural Operators。

這幾條路其實並不完全一樣

World Model 很多時候從：

影片。

圖片。

動作。

空間

學世界。

例如 AI 看過：

大量車輛移動影片。

慢慢理解：

物體怎麼移動。

而 Neural Operator 更接近：

直接學：

連續物理系統。

例如：

流體場。

熱傳。

大氣。

材料。

所以它們可能最後：

互相合作。

而不是：

只有一條路勝出。

未來一台機器人甚至可能同時需要三種 AI

第一層：

語言模型

理解：

人要什麼。

第二層：

World Model

理解：

周遭空間會怎麼變。

第三層：

Physics Model

更精確理解：

力。

材料。

流體。

熱。

如果這樣看，

未來 AI 很可能根本不是：

一個超級模型包辦全部。

而是：

不同類型智能互相組合。

這反而和今天早報「垂直整合」的主題連起來

今天早上我們談：

Thomson Reuters 自己做專業模型。

Xiaomi 自己往 AI 晶片走。

Nvidia 據報往 AI 應用投資。

晚上再看到：

有人乾脆重新問：

為什麼所有 AI 都一定要用同一種模型架構？

整個產業正在從：

「大家比同一張榜」

進入：

不同問題需要不同 AI。

這會讓「最強模型」這個問題愈來愈沒有意義

如果你問：

哪台車最好？

答案一定是：

拿來做什麼？

賽車？

貨車？

越野？

家庭？

AI 也會一樣。

寫程式最好：

可能是一種模型。

法律研究最好：

另一種。

即時語音：

另一種。

機器人：

另一種。

物理模擬：

可能又完全不同。

Transformer 不會因此突然過時

這點也非常重要。

今天新聞不是：

「Transformer 已死。」

完全不是。

Transformer 已經證明：

對語言。

程式。

多模態。

Agent

非常強。

Accelerated Understanding 只是提出：

有一些物理問題，另一種架構可能更適合。

科技進步通常不是：

新東西出現，

舊東西全部消失。

而是：

工具箱裡：

多一種工具。

Neural Operators 也不是今天突然發明的

Anandkumar 的團隊已經研究：

很多年。

Caltech 的相關研究指出，

Neural Operators 可以用來加速：

偏微分方程。

流體。

材料。

氣候

等模擬。

所以今天的新東西不是：

第一次有人知道 Neural Operator。

而是：

有人現在準備把這條研究路線變成一家企業級 AI 公司。

這就是「研究」跨進「產品」最重要的一步

論文可以說：

模型很快。

Benchmark 很好。

真正企業會問：

我的資料能不能用？

精度夠不夠？

錯誤可以量嗎？

結果能重現嗎？

可以整合現有模擬軟體嗎？

能不能比現在方法：

更便宜？

真正上市以後，

才是：

大考。

5 兆數字現在也必須保留一個很大的星號

因為目前這個結果是：

公司自己公布的測試。

Reuters 採訪並報導了：

公司的說法。

但目前不能因此直接寫成：

已經有完整獨立第三方 Benchmark 證明，

Accelerated Understanding 的模型：

全面超過既有科學 AI。

尤其：

5 兆資料單位

到底在各種實際任務中代表：

多少效能。

多少準確率。

多少成本。

還需要：

更多實測。

科學 AI 最重要的 KPI 也不應該只是「資料吃多少」

真正應該看：

精度

預測和真實世界：

差多少？

速度

比現有模擬：

快多少？

成本

省多少：

GPU。

時間。

實驗。

泛化

遇到沒看過的：

材料。

天氣。

幾何結構

還行不行？

可驗證

結果能不能用：

物理實驗

重新確認？

這些比：

單一巨大數字

重要得多。

因為科學 AI 最大的風險不是「回答不好」

如果 ChatGPT 幫你寫：

一封不太好的 Email，

你可以：

重寫。

但如果 Physics AI 說：

這個材料：

可以承受。

這個晶片：

不會過熱。

這個結構：

安全。

結果實際不是，

代價可能非常高。

所以 AI 愈走進：

物理世界，

驗證反而：

愈重要。

這也是為什麼科學 AI 最終不能只靠 AI 驗證 AI

模型預測：

這個新材料可行。

另一個模型也說：

可行。

還是不等於：

真的可行。

最後一定要：

實驗。

量測。

現實世界

回答。

AI 最可能改變的是：

把需要做的 1,000 次實驗縮成 50 次。

而不是：

讓 50 次也全部不用做。

如果真的做到，商業價值會非常大

因為人類很多科學與工程進步，

真正慢的不是：

想不到點子。

而是：

驗證太貴。

新藥。

材料。

晶片。

能源。

飛機。

氣候。

每一個方案都去：

真的做一次，

成本太高。

如果 AI 能先把：

不可能的 90%

淘汰掉，

實驗室只做：

最後最值得的 10%，

研發方式就會：

完全改變。

這可能才是 AI for Science 最大的一場革命

不是：

AI 幫科學家讀更多論文。

那當然也很好。

真正更大的可能是：

AI 直接縮短「想法 → 模擬 → 實驗 → 驗證」的週期。

Chatbot 幫我們：

更快處理資訊。

Physics AI 想做的是：

更快理解世界。

兩個目標：

完全不同。

今晚真正值得記住的不是 5 兆

5 兆：

很吸睛。

但一年後真正該回頭看的，

應該不是：

數字有沒有變成 10 兆。

而是：

它有沒有真的讓：

一顆晶片少做幾輪實驗？

一個天氣模式更快、更準？

一台機器人更安全理解物理？

一個能源公司更快理解地下結構？

如果有，

這才是真正：

新的 AI 類別。

今晚的一句判斷

過去三年，

大家慢慢習慣一件事：

AI＝大型語言模型。

今天 Accelerated Understanding 提醒我們，

這兩個其實：

不是同義詞。

語言只是：

世界的一部分。

現實世界還有：

時間。

空間。

力。

溫度。

流體。

材料。

天氣。

地質。

如果 AI 下一階段真的要：

離開聊天框，

進入晶片、

科學、

機器人與真實世界，

那麼下一個重大突破：

未必是更大的 Transformer。

它甚至可能來自：

一種根本不是為文字而設計的 AI。

這才是今晚這則新聞，

真正值得注意的地方。

今天，和 AI 一起進步一點。

每天學會一個 AI 技巧。

每天節省一點時間。

每天提升一點能力。

SasaDaily，陪你一起成長。

推薦閱讀

AI 已經能把颱風登陸算到 30 分鐘內，為什麼還不能取代傳統氣象預報？

今日 AI 工具｜2026/07/31：Claude Science，把論文、資料分析、程式與科學圖表放進同一個可追溯研究空間

Amazon Prime Air 無人機配送 2013 年就亮相，為什麼到 2026 才準備擴到近 500 個美國城市？