为什么 Anima Anandkumar 拒绝 Bezos 支持的 Prometheus，转而打造物理 AI

Anima Anandkumar 拒绝了一份由 Bezos 支持、包含大量资金和股权的邀约，以继续构建一种不同类型的人工智能。Google News 的标题让这项决定看起来像是一场对抗财富的戏剧性赌注。但更重要的分歧在于：AI 模型应当理解什么。

Anandkumar 与 AI 基础设施工程师 Benedikt Jenik 于 2026 年 8 月 25 日发布了 Accelerated Understanding。这家创业公司表示，其模型能够预测物理现象在空间与时间中的演变，而不是一次生成一个 token 的语言。它以神经算子取代了大多数大型语言模型背后的 transformer 架构；神经算子学习的是连续函数之间的映射关系。

该公司表示，一项测试在单个提示中处理了 5 万亿个数据点。这一数字尚未得到独立技术验证，而且数据点无法与语言模型 token 直接比较。不过，该模型显然挑战了这样一种行业思维：常常将更长的文本上下文视为更广泛智能的替代指标。

Accelerated Understanding 同时也正与一家资金格外雄厚的对手展开竞争。Jeff Bezos 与生物技术企业家 Vik Bajaj 创立了 Prometheus，旨在将 AI 应用于实体系统的工程设计与制造。Anandkumar 和 Jenik 拒绝了该公司的拟议领导职位，选择了架构控制权，而非更庞大的资本基础。

这一决定让一则引人注目的 Google News 故事，变成了两种竞争战略的检验。Prometheus 能以非同寻常的规模汇集资金、研究人员、实验室和工业合作伙伴。Accelerated Understanding 则认为，正确的数学基础可能比组织规模更重要。

Anandkumar 放弃的邀约

Anandkumar 并非拒绝物理 AI 的资金支持。她拒绝的是由他人主导其科学方向的方案。

这些讨论始于 Project Prometheus 成为公开的工业 AI 竞争者之前。据 Reuters 查阅的文件显示，Bajaj 在 2024 年末于大洛杉矶地区会见了 Anandkumar 和 Jenik。当时，两人已开始发展自己的公司。

随后的一项提案将 Anandkumar 定位为董事会成员、公开代表以及 Prometheus 科学愿景的掌舵人。Jenik 则将担任董事会观察员。两人合计获邀持有 35% 的股份，并获得一份将在三个月后上调的联合薪酬方案。

该提案还提及一轮后续融资中的承诺资金，Bezos 是投资者之一。这些条件让该机会远不止普通的招募待遇。Anandkumar 和 Jenik 获邀在一家资金充裕的公司创立初期塑造其发展方向。

他们仍选择独立继续推进。这一区别很重要，因为“拒绝 Bezos 数十亿美元”的说法，可能让人以为 Bezos 向他们提出了数十亿美元的个人付款。报道所涉文件实际描述的是公司融资，以及薪酬、治理职位和股权安排。

Prometheus 在没有他们参与的情况下继续推进。该公司之后宣布了一轮重大融资及估值，使其跻身融资规模最大的私人 AI 企业之列。其使命聚焦于缩短从工程概念到复杂实体产品制造之间的路径。

Accelerated Understanding 采取了更聚焦的发布策略。其创始人表示，公司最初将寻求企业合作协议，而非推出面向消费者的聊天机器人。潜在应用包括半导体设计、极端天气预测、机器人技术和地质数据分析。

这一选择并不代表拒绝商业雄心。它反映了对于科学智能应如何构建和封装的分歧。Anandkumar 和 Jenik 保留了对模型架构的控制权，而该架构建立在他们多年自主研究的基础上。

这种控制也伴随着代价。Accelerated Understanding 必须在没有 Prometheus 财务缓冲的情况下，获得计算基础设施、专业数据、工业合作伙伴和科学验证。它还必须将雄心勃勃的通用模型转化为能够解决可量化工程问题的产品。

两位创始人表示，未具名的计算服务提供商为模型开发和运行提供了硬件集群。Anandkumar 拒绝透露这些合作伙伴的身份或讨论融资情况。Nvidia 在 Reuters 问询时，也未确认是否支持这家创业公司。

这些信息缺口留下了重要疑问。公司已提出其技术主张，但尚未提供成熟企业平台所预期的运营细节。其发布确立了竞争，却未决定胜负。

为什么物理 AI 正吸引如此多资本

以语言为中心的 AI 所面临的压力，来自一个更好的文笔无法消除的经济瓶颈：物理实验依然缓慢且昂贵。

大型语言模型可以总结科学论文、生成代码并提出假设。但它们无法证实某种涡轮设计能在极端高温下存活，或一种新材料能在受力时安全表现。这些主张仍需通过模拟、实验室测试或实体生产来验证。

Anandkumar 认为，科学发现受制于验证想法的成本。生成更多假设可能会造成更庞大的实验积压，而非加速有用的发现。她在 2026 年撰写的关于科学发现的文章中，呼吁采用能够跨多个尺度模拟物理现象的模型。

这一论点有助于解释 Bezos 为何投资 Prometheus。该公司并未被定位为另一家通用聊天机器人提供商。它瞄准喷气发动机、医疗设备、消费电子产品及其生产工厂等系统的设计与制造。

Prometheus 将问题描述为：从一个想法到实现可靠规模化制造之间存在漫长周期。其披露的投资者包括主要金融机构和专注科技领域的公司。据一篇工业 AI 报道称，Bezos 也是其早期融资中最大的支持者。

这一投资逻辑不止于替代工程师。能够准确预测物理行为的模型，可以减少制造前所需的原型、实验和设计迭代次数。在测试往往需要数月的行业中，即使只是小幅减少，也可能带来可观价值。

这一机会正在吸引多种技术路径。世界模型研究者希望 AI 系统能够表征空间、物体、运动和因果关系。机器人公司则基于视觉观察和动作训练模型。科学 AI 团队将机器学习与方程、模拟和实验数据结合起来。

Accelerated Understanding 带着一项更具体的主张进入这一领域。创始人认为，通用能力足够强的神经算子可以处理多样的物理问题，无需为每项应用都定制专属数学模型。该系统将学习各类场如何演变，包括温度、压力、速度或材料应力。

这正是 Anima Anandkumar 物理 AI 的商业意义。它并不主要是一个告诉工程师该使用哪条方程的助手。它的目标是成为计算工具链的一部分，用于估计一个实体系统将会如何运行。

以半导体设计为例。芯片性能取决于相互作用的物理属性，包括传热、材料、供电和几何结构。文本模型可以讨论这些因素，而物理模型则试图预测它们共同作用下的行为。

天气预测提供了另一个例子。预测需要对不同地点和时间不断变化的大气条件进行建模。微小误差可能不断累积，因此连续性和尺度是这一问题的核心。

Anandkumar 以往的工作为这家创业公司奠定了可信基础。在 Caltech 和 Nvidia，她参与开发了适用于天气、流体动力学、医学成像及其他科学应用的神经算子方法。这些项目早于当前围绕世界模型的热潮。

Prometheus 造成直接压力，因为它能够资助实验室、收购和大型研究团队。Accelerated Understanding 则通过提出一个不同问题形成压力：这些资源是否围绕正确的架构进行组织。两家公司都在挑战对方最显而易见的优势。

Google News 讲述的是资金故事，但真正的竞争在于架构

主要竞争并非独立创始人与亿万富翁之间的较量，而是数学专精与资本密集型工业整合之间的竞争。

Prometheus 正围绕从 AI 研究到实体生产的完整路径建设组织。其资源可支持数据收集、实验、硬件、制造专业知识和收购。这种广度很重要，因为工业 AI 很少能仅凭一个模型取得成功。

Accelerated Understanding 则押注架构杠杆能够抵消其中一部分优势。如果一个模型能够跨物理过程泛化，客户可能需要更少的专用模拟系统。这家创业公司可以专注于不同工程任务之下共享的数学结构。

transformer 提供了一个对照点。该架构将信息划分为离散单元，并通过注意力机制学习它们之间的关系。由于文本以 token 序列的形式出现，它在语言任务上表现得格外出色。

物理系统带来了不同的表征问题。温度、气流、压力和电磁场会在空间与时间中连续变化。工程师通常使用偏微分方程描述这些关系，这类方程连接了跨多个维度变化的量。

transformer 仍然可以处理采样后的物理数据。然而，Anandkumar 认为，将连续世界采样到固定网格上，可能限制分辨率、尺度和泛化能力。她的替代方案学习的是一个算子，即将一个完整函数转换为另一个函数的映射。

这一区别正是神经算子工作原理的核心。传统神经网络通常学习固定大小数组之间的关系。神经算子则旨在学习连接函数空间的规则，使输入和输出可以在不同分辨率下进行评估。

Caltech 将这些模型描述为基于 AI 的偏微分方程求解器。该大学的神经算子项目重点展示了其在流体动力学、材料科学和气候建模中的应用。该项目还为研究人员维护了一个开源框架。

这种方法并不只是“把物理学放进 AI”。神经算子可以从模拟或观测数据中学习，同时纳入数学约束。物理信息变体会在训练中加入控制方程，从而减少对完美标注样本的依赖。

这种专业化带来了潜在优势。模型可在不同网格或分辨率下保留具有物理意义的关系。训练完成后，它还可以充当较慢数值模拟的快速替代模型。

该模型并不会消除物理计算。它是从数据和约束中学习相关解算子的近似形式。因此，其实用性取决于训练覆盖范围、误差界限，以及在陌生条件下的表现。

Prometheus 可以通过广泛实验来应对这些弱点。它可以建立连接预测结果、实验室和制造流程的反馈闭环。预测失败将成为新的训练或评估数据。

Accelerated Understanding 必须证明，其架构能够减少所需的物理测试量。这比在经过筛选的基准测试中展示快速推理更具挑战。工业客户需要在罕见、极端和安全关键条件下获得信心。

两种策略也可能趋于融合。Prometheus 可以在其更广泛的系统中采用神经算子或相关连续模型。Accelerated Understanding 在扩张过程中则可能建设实验室，或与制造商合作。

目前，差异在于两家公司将初始杠杆置于何处。Prometheus 从资本、整合能力和工业覆盖范围起步。Accelerated Understanding 则从围绕连续物理现象设计的研究架构起步。

创始人的决定保留了这一聚焦方向。加入 Prometheus 或许能获得更多资源，但也会让他们的工作嵌入更广泛的制造项目之中。保持独立让他们能够检验：这一架构能否独立支撑一个企业级平台。

神经算子如何改变模型的任务

Accelerated Understanding 要求 AI 预测系统的演化，而不只是用令人信服的语言描述该系统。

语言模型处理序列，并估计下一个 token 应是什么。其内部表征可以支持编码、规划和视觉推理，但其训练目标并不保证遵守物理定律。看似合理的输出仍可能在物理上不可能成立。

神经算子接收函数或场的表征，并预测另一个函数。以天气为例，输入可以描述全球各地的大气状况，输出则可估计这些状况在未来某一时刻的样貌。

在流体动力学中，输入可能捕捉初始速度场和压力场，输出则表征这些场如何演化。模型学习的是适用于整个领域的关系，而非记忆特定坐标上的答案。

傅里叶神经算子会在频域中完成部分这类工作。它们通过不同频率的波来表征模式，从而高效捕捉跨越遥远位置的关系。随后，模型会将这些学习到的模式转换回物理空间。

这一设计可支持分辨率独立性。在一个网格上训练的模型，有时可以在更精细的网格上生成结果，而无需完整重新训练。这一特性很有价值，因为更高分辨率的数值模拟通常需要更多得多的计算资源。

Anandkumar 及其合作者指出，神经算子可以在兼顾物理约束的同时，加速科学模拟与设计。他们经过同行评审的研究综述还指出，这些模型能够预测训练期间未见位置上的解。

“神经算子如何工作”这一说法可能让人以为它是一种统一算法。更准确地说，它是一类架构。傅里叶、基于图的、球面和物理信息版本，分别面向不同领域与几何结构。

Anandkumar 研究团队的应用展示了这一范围。该团队已将相关方法用于全球天气预报、湍流流体模拟、医学影像、等离子体行为和碳储存。每项应用仍需要特定领域的数据、约束与评估。

Nvidia 的 FourCastNet 系统提供了一个早期且广为人知的例子。它将傅里叶神经算子用于全球天气预测，生成预报的速度远快于传统数值方法。更快的推理使研究人员能够运行规模更大的可能天气结果集合。

这一记录解释了为何据报道 Jensen Huang 鼓励 Anandkumar 推进这一更宏大的构想。它也将这家初创公司与那些在生成式 AI 流行后采用“物理 AI”标签的公司区分开来。其底层工作拥有已发表的研究历史。

Accelerated Understanding 现在声称，已将这一基础扩展为更大、也更通用的系统。据称，其 5 万亿数据点测试旨在展示其处理海量科学场的能力。创始人将此与旗舰语言模型所能处理的上下文进行比较。

这种比较需要谨慎对待。物理场中的一个数据点，与文本 token 并不具有相同的结构或计算成本。不同模型压缩、划分和分配信息的方式也不同。

处理极大规模的场并不能证明预测准确性。模型可以接收更多输入，却输出不可靠的结果。客户会关注误差、稳定性、计算需求，以及相对于现有模拟工具的改进。

该公司尚未公开足够的细节来复现这项测试。它没有披露完整模型架构、训练语料、硬件配置或评估套件。因此，独立研究人员目前仍无法评估其所声称的规模。

不过，这一说法明确了该公司想要解决的问题。科学系统可以生成庞大的多维数据集，这些数据并不适合被塞入聊天机器人的上下文窗口。Accelerated Understanding 将这种规模视为原生特性，而非把一切转换为文本。

这也是为什么 Anima Anandkumar 物理 AI 并不只是又一个界面。模型的任务、数据表征和成功标准，都与通用助手不同。只有当其预测经受住与现实的比对时，价值才会显现。

5 万亿数据点的说法并不能证明什么

这家初创公司展示了清晰的技术论点，但尚未证明自己拥有一个具有可辩护性的企业级产品。

第一项不确定性在于测量方式。Accelerated Understanding 表示，其模型在一个提示中处理了 5 万亿个数据点。若没有公开定义，读者无法判断这些点是独立测量值、网格值、压缩特征，还是生成输出。

与 Google 和 Anthropic 模型的比较同样有限。语言 token 和科学场数值代表不同的信息类型。跨这些单位计算出的倍数或许能吸引注意力，却无法确立有意义的性能优势。

第二项不确定性是准确性。物理建模之所以有价值，是因为微小误差可能带来高昂后果。只有当预测仍处于客户应用可接受的容差范围内时，更快的模型才有帮助。

在训练分布之外，误差尤其可能变得危险。天气模型可能遇到罕见的大气模式。芯片模型可能需要评估与训练样本不同的新材料或几何结构。

神经算子并不会自动解决这一问题。在经过测试的条件下，它们可以跨分辨率和参数进行泛化，但没有任何学习模型能覆盖所有可能的物理状态。领域边界依然重要。

第三项不确定性是验证。通用物理模型需要涵盖多种尺度、几何结构、方程和现实测量结果的基准。某一类流体模拟上的表现，不能证明其在半导体材料或地质构造中的可靠性。

Accelerated Understanding 可以通过企业试点来解决这一问题。每个试点都应将模型预测与可信模拟和物理结果进行比较。最有力的证据将显示：在不削弱准确性或安全裕度的前提下，缩短测试时间。

第四项不确定性涉及计算资源。能够处理超大规模场的模型，可能需要很少有客户能够运行的分布式硬件。Reuters 报道称，一台计算机可能无法处理该公司测试中涉及的信息。

对于高价值工业工作负载而言，这或许可以接受。航空器、芯片、能源和制药公司本就会在专用计算上投入大量资金。然而，这家初创公司必须证明，其方法比成熟的高性能模拟方案具有更好的成本与时间权衡。

第五项不确定性是整合。工程师并不会孤立地使用模型输出。他们使用计算机辅助设计工具、模拟软件包、测试协议、审批流程和专有数据集。

Prometheus 可能在这一点上占据优势。其融资支持一种垂直整合策略，可将 AI 预测与实验和制造系统连接起来。Accelerated Understanding 在初期则更依赖合作伙伴和客户基础设施。

第六项不确定性涉及知识产权。神经算子研究包含开放发表的论文和在学术界与产业界广泛使用的软件。这家初创公司必须说明，其通用模型、训练流程、部署系统或企业数据闭环中究竟哪些部分具有专有性。

这些问题没有否定该架构。它们界定了在这家初创公司的主张值得获得更广泛认可之前所需的证据。当一家公司将一个系统描述为适用于多个科学领域时，举证责任会进一步增加。

Anandkumar 的学术地位带来可信度，但并不意味着可以免于审视。Caltech 将她列为 Bren 教授，其工作横跨科学建模、天气、医学应用和自主系统。她的研究简介记录了此次创业发布背后扎实的履历。

可信度有助于公司招募合作伙伴并获得评估机会，但不能替代新模型已发表的结果。因此，这家初创公司最重要的转变，是从创始人的声誉转向可复现的产品证据。

Google News 的读者也应避免将这则故事化为简单的道德叙事。拒绝富有的支持者，并不意味着独立路线在技术上更优越。接受大规模融资，也不意味着 Prometheus 的路线在智识上更弱。

这一决定形成了两项实验。一项检验集中资本能否将 AI 与实验室和制造业整合；另一项检验以物理为原生核心的架构，能否建立足够的杠杆，从较小基础上展开竞争。

三个信号将决定这场押注是否成功

下一阶段将由经验证的客户成果、技术披露以及 Prometheus 的回应决定，而非任何一则标题的规模。

第一个信号是有记录可查的企业部署。Accelerated Understanding 已点名潜在领域，包括芯片、机器人、天气、能源和地质分析。但它尚未披露任何在生产环境中使用该模型的客户。

可信的部署案例应说明任务、基线方法、评估标准以及运营层面的改进。它还应区分模拟速度与整个开发周期。如果数据准备或物理验证环节毫无变化，更快的推理速度意义有限。

半导体设计领域的证据将尤其具有参考价值。这家初创公司认为，对物理规律的理解能够改善涉及材料与热量的问题决策。合作伙伴可以测试该模型是否能减少模拟迭代次数或实验室原型数量。

第二个信号是研究人员能够审查的技术评估。公司无需公开完整模型或训练数据集，但必须定义这项覆盖 5 万亿数据点的测试，并报告准确性、硬件使用情况、失效条件和比较方法。

一项有价值的评估应将成熟的数值求解器和专用神经算子纳入基线。仅与语言模型的上下文窗口比较，无法回应该模型真正面对的竞争。关键问题在于，它是否能提升科学计算能力。

这正是神经算子的工作方式在商业上变得决定性的地方。分辨率无关性和连续建模听起来很有吸引力，但客户需要针对具体领域的误差测量。模型还必须揭示其预测何时存在不确定性。

第三个信号是 Prometheus 的技术与商业回应。该公司拥有招募专家、收购相关技术和开展物理实验的资源。其首批产品将揭示，它是优先打造单一通用模型，还是一组紧密集成的系统。

如果 Prometheus 采用神经算子，这一举措将强化 Anandkumar 的架构论点，同时加大对其公司的竞争压力。如果它凭借另一种方法取得成功，物理 AI 可能会支持多种可行架构，而非一种占主导地位的基础架构。

Prometheus 的一位大型客户也将检验垂直整合的重要性。工业买家通常更偏好完整工作流，而非技术上优雅的组件。Prometheus 可以利用资本掌控更多工作流程。

Accelerated Understanding 可以通过聚焦来应对。一家规模较小的公司或许能与设计合作伙伴更快迭代，并保持更清晰的技术优先级。它也可以与现有工程软件集成，而不是要求客户替换整套系统。

最具启发性的结果不会通过又一条 Google News 头条出现。它们将体现在错误率、模拟时长、原型数量、客户续约率以及独立复现的结果中。这些指标将架构雄心与经济价值联系起来。

随着证据不断积累，读者应关注创始人的措辞。关于处理海量数据集的说法，应转变为解决明确问题的说法。泛泛的应用清单，应转变为有名称、结果有边界的部署案例。

同样的标准也适用于 Prometheus。一轮大规模融资赋予其开展雄心勃勃实验的能力，但并不能证明工业 AI 能够自动化复杂制造。资本买来的是尝试、人才和时间。

Anandkumar 的决定之所以重要，是因为它保留了一项独特的技术实验。Accelerated Understanding 现在可以证明，以连续建模和物理为中心的模型是否值得与语言模型、视觉世界模型并列。失败将削弱这一论点，而成功则会迫使每一家科学 AI 公司重新审视其架构。

对开发者而言，眼前的教训是，模型规模不止一种含义。参数量和上下文窗口无法涵盖分辨率、维度、物理约束或稳定性。评估必须与问题的结构相匹配。

企业买家也应要求同样的匹配。一个有说服力的演示应使用他们的几何结构、边界条件、数据质量和准确性要求。通用基准测试的领先地位，对代价高昂的物理失误提供的保护有限。

关注这一事件的知识工作者可以将其视为保留来源语境的提醒。个人 AI 知识库 可以将新闻头条与研究论文、技术主张和后续验证关联起来。这份记录能让人更容易看清一项发布声明何时发展为证据。

读者面临的选择，并不是该为独立科学家还是亿万富翁的公司喝彩。应当问的是：哪支团队发布了工程师能够测试并信任的证据。关注首个经过验证的部署、首个可复现的基准测试，以及 Prometheus 的初始产品。这三个信号将表明，物理 AI 正在成为工业工具，还是仍停留在雄心勃勃的研究叙事中。