2026年8月25日，一家名为 Accelerated Understanding（AU） 的AI创业公司正式亮相。它由加州理工学院教授 Anima Anandkumar 和AI基础设施专家 Benedikt Jenik 创办。
这家公司做的事情，和ChatGPT这类大语言模型很不一样。
它不主要研究“怎么让AI更会说话”，也不是直接做机器人，而是想解决一个更基础的问题：
能不能让AI直接学习物理世界是怎样运行的？
比如，一架飞机周围的气流会怎样变化？芯片工作后热量如何扩散？一种材料受到压力后会不会变形？一个机械结构应该怎样修改，才能性能更好？
过去，这些问题主要依靠工程师使用CFD、有限元等仿真软件计算。AU希望进一步训练一种 Physical Foundation Model——物理基础模型，让AI直接学习这些物理变化规律。
从“大语言模型”走向“大物理模型”
大语言模型学习的是文字规律。
视频模型学习的是图像和视频变化。
AU想学习的则是：
当前物理状态 → 未来物理状态
比如输入一个发动机的结构、温度、压力和空气流动状态，AI可以预测之后哪里会变热、哪里的压力更高、空气会怎样流动。
更重要的是，AU并不满足于针对一种物理问题训练一个模型。
过去通常是：
空气动力学一个模型，热分析一个模型，结构力学另一个模型。
AU希望做的是一个更通用的基础模型，让同一个AI同时学习流体、热、力学、材料、电磁等不同物理现象。
如果能做到这一点，就很像今天的大语言模型：
大语言模型学习语言规律，物理基础模型学习自然规律。
AU背后的关键技术之一是 Neural Operator，神经算子。
简单理解，普通神经网络通常学习“一组数字到另一组数字”的映射，而神经算子更适合学习：
一个完整的物理场 → 另一个完整的物理场。
例如输入一块金属现在各个位置的温度，就可以预测一段时间后整个金属内部的温度分布。
这种方法天然适合天气、流体、热传导、材料和电磁场等问题。
Anandkumar团队过去多年一直研究这条路线，其中较知名的成果就是 Fourier Neural Operator。AU现在要做的，是把原来针对单个问题的神经算子进一步扩大，变成真正的“物理基础模型”。
为什么物理模型的数据量这么大？
AU这次公布了一些非常惊人的数字，包括最高约 1万亿参数的模型，以及万亿级的context。
为什么物理模型需要这么大的数据规模？
因为语言基本上是一条一维序列，而现实世界通常是：
长度 × 宽度 × 高度 × 时间
假设三个空间方向各有1000个采样点，再计算1000个时间点，那么数据规模就是：
1000 × 1000 × 1000 × 1000 = 1万亿个时空位置
所以，物理世界天然就需要处理非常庞大的数据。
不过也要注意：AU所说的“5T context”，不能简单理解成“5万亿个大模型token”。语言模型处理的是文字片段，而物理模型处理的可能是空间网格、温度、压力、速度等数值，两者不能直接比较。
真正值得关注的，也并不是这些“大数字”。
AI不仅告诉你结果，还告诉你“怎么改”
AU真正有意思的地方，是它希望AI不仅能够预测结果，还能够帮助优化设计。
传统仿真软件可能告诉工程师：
“这个设计的最高温度是97℃。”
然后工程师自己判断应该怎样修改结构，再重新计算。
AU希望未来AI进一步告诉你：
“如果把这里做大一点，把另一个地方改小一些，温度可能会下降。”
整个流程就可能从：
设计 → 仿真 → 人工修改 → 再仿真
变成：
AI设计 → AI仿真 → AI提出修改方向 → 自动优化
这意味着AI开始从“计算工具”，进一步变成“设计工具”。
AI科研智能体，多了一个“虚拟实验室”
这也是AU与AI科研智能体最重要的连接。
今天的大模型已经很擅长提出想法，但真正昂贵的往往不是提出一个想法，而是：
验证这个想法。
未来一个AI科学家系统可能是：
大语言模型提出假设
→ AI智能体制定研究计划
→ 物理基础模型快速模拟
→ AI根据结果修改方案
→ 最后再进行真实实验
这样来看，大语言模型更像科学家的“大脑”，而AU这样的物理模型，则更像一个高速运行的 “虚拟实验室”。
从“看起来真实”走向“物理上真实”
AU还代表了World Model领域的一次重要分化。
很多视频世界模型追求的是：
让生成的世界看起来真实。
但在工程领域，仅仅“看起来真实”远远不够。
一段AI生成的水流视频可能非常逼真，但其中的水压、速度和能量变化并不一定符合真实物理规律。
做视频没有问题，设计飞机发动机却不行。
因此，AU选择的是另一条路线：
不是生成一个“看起来像真的世界”，而是尽可能计算一个“物理上真实的世界”。
如果这条路线成功，最先受益的很可能是芯片、航空航天、汽车、能源、材料和复杂工业装备等行业。
这些行业都有一个共同特点：
仿真很贵，真实实验更贵。
如果AI能够把原来几小时的仿真缩短到几秒钟，那么工程设计就可能从“测试几百个方案”，走向“搜索几万甚至几十万个方案”。
从Scaling Language，到Scaling Physics
当然，现在还不能断言AU已经取得真正突破。
接下来真正需要关注的，不是“模型有多少万亿参数”，而是：
算得准不准？是否符合基本物理规律？面对没见过的新结构还能不能工作？计算成本到底多高？
这些才决定它能否真正进入工业应用。
过去十年，AI的发展主线可以概括为：
Scaling Language——不断扩大语言模型。
而AU代表的方向则可以称为：
Scaling Physics——开始扩大物理模型。
大语言模型主要学习人类已经写下来的知识，而物理基础模型试图学习的是：
现实世界本身怎样运行。
如果这条路线最终成立，AI将不再只是告诉我们：
“世界是什么样的。”
而是进一步告诉我们：
“如果想让世界变成另一个样子，应该怎样设计。”
这也许会让AI真正从知识工具，进一步走向科学发现和工程发明工具。