AREX Feed Article
拒绝 Prometheus 邀约后，Anandkumar 的 4D 物理 AI 公司公开启动
8 月 25 日，Caltech 教授、前 NVIDIA AI 研究高级总监 Anima Anandkumar 在 ，她与 Benedikt Jenik 共同创立的初创公司 Accelerated Understanding 当日公开启动， 同步上线。她在帖子里附上了 Reuters 当天发布的和官网链接。
公司自称训练面向物理模拟与发现的大模型，让模型直接以 4D（3D 空间加时间）理解世界。公司给出的数字很大：最大模型 1T+ 参数，训练上下文最高 1T，推理上下文超过 5T 且"不使用子采样或切块"，扩展实验做到 35T，平均每次训练消耗 2–6 PB 数据。
Reuters 报道转述公司说法：该模型在测试中单次提示处理了 5 万亿个数据点。（Yahoo Finance 转载）给出的参照是，这大约是 Anthropic 与 Google 旗舰模型通常可消费上下文规模的 500 万倍，相当于一口气把《战争与和平》读 500 万遍。
这些数字目前都只有公司一方的口径。官网没有论文、代码、权重或第三方评测链接，Reuters 的文章是媒体转述公司说法，不是独立验证。
4D 物理 AI：3D 空间加时间，一次预测完整演化
官网把自己的技术路线称为"4D 物理 AI"。在"Direct 4D"一节，公司解释：模型在空间上是 3D 的，并直接预测完整的时间演化，4 个维度一次给出；把空间压平会损失质量和观测细节，按时间一步步外推则会让误差累积。
Reuters 报道，这套系统弃用了 Google 发明的 Transformer 架构（ChatGPT 里那个"T"），改用 Anandkumar 多年前参与开创的神经算子（neural operators）处理物理数据。
官网列出的另外三点是：原生超分辨率，模型分辨率不变，训练和推理中随时切换细节级别，公司称已测试到 5T 上下文；同一模型覆盖多个物理领域，公司称观察到"跨物理增益"（cross-physics uplift），一个模型训练多种物理任务后表现优于分别单独训练的模型；方向性反馈，真实实验只告诉你发生了什么，模型能给出改进方向。
为什么绕开现有路线，Anandkumar 在推文里给了她的版本："窄代理模型很好，前提是你碰巧有足够多、恰好正确的数据，而且设计循环保持在分布内。视频模型看起来很惊艳，但把物理精度扫到了地毯下面；一些静态世界模型干脆把物理整个砍掉。很多有趣的物理是看不见的。"
官网的对比表把"LLM 加实验室实验"的表示标为"1D 文本"、预测标为"只有直觉"，把视频"世界模型"的表示标为"压平的 2D 帧"、预测标为"自回归误差累积"。
1T 参数、5T 上下文，官网上还看不到论文或权重
官网"Scale"一节称，公司已训练了一年多"前沿物理 AI 模型"，完成了数百次、规模最高达 1 万亿参数的预训练运行，还做过最高 35T 的扩展实验；平均每次训练运行消耗 2–6 PB 数据。
公司把上下文长度当作核心指标：语言模型的上下文是一维 token 序列，物理的上下文在 4 个维度上扩展，单个样本大到"放不进单个加速器，甚至整台节点"。
Jenik 在里补充了工程细节：一次最大的 5T 上下文推理运行，输入输出数据约 22TB，"很难放到任何地方，但为了快，你又得让它待在加速器内存里"；许多训练方法"不得不从零发明，因为 LLM 的路子在我们这个规模上行不通"，还要混用传统 HPC 技巧。
自我改进循环也依赖物理本身。官网称，大多数领域的物理定律已知，"检验一个结果是否满足控制方程很容易，难的是满足它"，因此可以用物理定律作为训练信号，不单靠数据。Jenik 说，标准训练最后通常停留在训练数据的平均质量附近，超出越来越难，"我们有物理定律本身来救场"。
目前官网上唯一能看到的成果是一段演示：来自一次最近的小于 100B 参数的训练运行，4D 输出按顺序回放以便人看；公司称模型一次性产出完整演化，不同物理领域来自同一个模型，"训练时也没见过散热器形状"。官网的仍写着 "Coming soon"。
Prometheus 开出 35% 股份邀约，他们选择继续单干
Reuters 的（Yahoo Finance 转载）讲了一个更长的故事。2024 年底，在大洛杉矶地区一家高档餐厅的晚餐上，投资人兼生物科技创业者 Vik Bajaj（他后来与 Bezos 共同创立了 Prometheus）与 Anandkumar 和 Jenik 讨论合作，Reuters 看到了会议记录。
此后 Bajaj 与他们讨论了一份题为"Project Prometheus"的邀约函，Reuters 看过副本：Anandkumar 可担任公司门面、董事会成员、科学愿景的拥有者；她与担任董事会观察员的 Jenik 合计可获得 35% 股份，外加两人合计 100 万美元年薪，工作三个月后翻倍至 200 万美元。邀约函还列出了超过 20 亿美元、覆盖至 B 轮的"承诺融资轮次"，投资人包括 Bezos。
两人最终选择继续自己干。Bezos 与 Bajaj 则在 2026 年 6 月为 Prometheus 完成了 120 亿美元的 B 轮融资，Prometheus 的目标是用 AI 自动化复杂物理系统的制造；它拒绝对此置评。
Reuters 的报道同时交代了 Anandkumar 的履历。她曾是 Amazon 的科学家，参加过 Bezos 主持的小型 AI 峰会；2018 年加入 Nvidia，领导科学家团队推动 GPU 用于前沿 AI，任职五年。她在 Nvidia 的早期项目证明，AI 能以与预报员所用复杂数值计算相当的精度加速天气预报。结果让黄仁勋惊叹，他 2021 年在 Nvidia 年度 GTC 大会上展示了 Anandkumar 的神经算子工作，Anandkumar 回忆"他当时特别兴奋"。当她说 AI 可能"吃掉物理理论学家的午餐"时，黄仁勋回答："我想让它吃掉他们所有的午餐。"（"I want it to eat all their lunches."）
官网"About"一节称，两位创始人构建了 FourCastNet，第一个大规模高分辨率 AI 天气预报模型，其工作还覆盖自动驾驶 AI、医疗设备发明和以空前速度模拟聚变。Reuters 称 Jenik 是 Anandkumar 的丈夫、一名 AI 基础设施工程师；2024 年底那次晚餐时，两人已经成立了自己的公司。
芯片设计、极端天气、能源勘探，先从企业客户做起
Reuters 报道中，两位联合创始人给出了一组具体的应用场景。第一个例子是芯片设计：他们认为，相比用 AI 编程和推理文本的半导体应用，对物理更内在的理解才是优化材料与温度、减少实验室试错的关键。
同一套 AI 还能驱动机器人、预测极端天气、为能源公司筛选地质数据。Anandkumar 对 Reuters 说，不必为每种业务造一个脆弱的定制数学模型，一个 AI 就能处理任何物理查询。两位联合创始人表示，公司先做企业客户，不做消费级产品。
融资方面，Anandkumar 拒绝讨论；她说已有计算供应商合作伙伴提供硬件集群来开发和运行模型，但拒绝透露名字。Reuters 问 Nvidia 是否出资，Nvidia 没有回复。她表示，最初鼓励她做这件事的正是 Nvidia CEO 黄仁勋。
以物理为中心的智能观，押注看不见的现象
Reuters 报道提到了一个更大的赛道：包括由 Yann LeCun 和 Fei-Fei Li 等 AI 领袖指导的初创公司在内的多家公司，都在追逐比文本训练的 AI 更理解空间现实的"世界模型"。Accelerated Understanding 的赌注是，一种更通用的神经算子、能预测肉眼看不见的现象，才是最好的路径。
"以语言为中心的智能观是以人类为中心；把物理放在中心，是以自然为中心的视角。"Anandkumar 对 Reuters 说。
在宣布启动的推文里，她这样解释动机："AI 给你一个更大的想法草堆没有用。新发明和新发现的瓶颈正在从想法转移到检验它们的能力。"官网的使命页写得更直接："我们正在用能模拟和理解物理的 AI 取代实验。"
5 万亿个数据点、35T 扩展实验、跨物理增益，这些说法目前都还没有公开的第三方检验；官网上唯一能核验的产出，是一段来自小于 100B 参数模型的演示动画。