Cele mai cunoscute sisteme de inteligență artificială de astăzi au fost construite în jurul limbajului. Sunt antrenate pe cantități uriașe de texte și învață, în esență, să estimeze ce cuvânt sau ce fragment de text ar trebui să urmeze într-o anumită situație. Dar dacă următorul mare pas al inteligenței artificiale nu va veni dintr-o mai bună înțelegere a limbajului, ci dintr-o mai bună reprezentare a lumii fizice?
Aceasta este pariul făcut de Anima Anandkumar, profesoară la California Institute of Technology (Caltech) și fost director de cercetare în inteligență artificială la Nvidia, și de Benedikt Jenik, specialist în infrastructură pentru IA. Cei doi au lansat compania Accelerated Understanding, care dezvoltă un model de inteligență artificială conceput nu pentru conversație, ci pentru fenomene fizice: curgerea fluidelor, transferul de căldură, evoluția atmosferei, comportamentul materialelor sau alte procese care se desfășoară în spațiu și timp.
Povestea este cu atât mai interesantă cu cât Anandkumar și Jenik au fost curtați pentru a conduce una dintre cele mai ambițioase inițiative din actuala industrie a inteligenței artificiale, Project Prometheus, proiectul fondat de Jeff Bezos și Vik Bajaj. Au preferat însă să meargă pe cont propriu.
O inteligență artificială pentru fizică, nu pentru cuvinte
Diferența fundamentală față de ChatGPT, Gemini sau Claude este arhitectura. Modelele lingvistice moderne sunt construite în principal pe arhitectura Transformer. Ele transformă textele în unități numerice și caută relații statistice între acestea.
Accelerated Understanding încearcă în schimb să descrie relații între câmpuri fizice: temperatură, presiune, viteză, densitate, tensiuni mecanice, concentrații și alte mărimi care variază în spațiu și în timp.
La baza tehnologiei se află așa-numiții operatori neuronali (neural operators), o familie de metode la dezvoltarea căreia Anandkumar a avut o contribuție importantă.
Pentru a înțelege ideea, trebuie pornit de la modul în care fizicienii și inginerii simulează astăzi lumea.
Curgerea aerului în jurul unei aripi, propagarea căldurii într-un procesor sau evoluția unei furtuni sunt descrise prin ecuații diferențiale. Pentru a afla cum evoluează sistemul, un calculator trebuie să rezolve numeric aceste ecuații pentru milioane sau miliarde de puncte. Calculele pot deveni extrem de costisitoare.
Un operator neuronal încearcă să învețe direct relația dintre starea inițială a unui sistem și evoluția sa ulterioară. Cu alte cuvinte, după antrenare, modelul nu mai trebuie să refacă de fiecare dată întreaga simulare numerică pas cu pas. El aproximează direct transformarea matematică ce leagă condițiile inițiale de rezultat.
În unele probleme, avantajul poate fi enorm. Cercetările realizate la Caltech au arătat că operatorii neuronali pot accelera anumite simulări ale ecuațiilor cu derivate parțiale cu ordine de mărime față de metodele numerice convenționale. Tehnologia a fost deja aplicată în meteorologie, dinamica fluidelor, modelarea plasmei și proiectarea inginerească.
Important este însă ce înseamnă aici „înțelegerea fizicii”. Modelul nu cunoaște legile naturii în sensul în care le cunoaște un fizician și nici nu trebuie antropomorfizat, ci învață structuri matematice care descriu evoluția unor sisteme fizice și poate folosi aceste structuri pentru predicții.
Cinci trilioane de elemente de date într-o singură problemă
Accelerated Understanding afirmă că noul său sistem a procesat, în teste, cinci trilioane de elemente de date într-o singură interogare, o scară mult peste cea întâlnită la modelele lingvistice comerciale.
Comparația trebuie însă interpretată cu precauție. Un „element de date” dintr-o simulare fizică nu este echivalent cu un token utilizat de un model precum ChatGPT. Într-o problemă de fizică pot exista rețele tridimensionale cu valori ale temperaturii, vitezei sau presiunii pentru un număr enorm de puncte și momente de timp. Prin urmare, cele două cifre nu măsoară exact același lucru.
Ceea ce este relevant este capacitatea sistemului de a lucra cu fenomene definite pe domenii spațiale și temporale uriașe.
Acest lucru poate deveni extrem de important în industrie. În proiectarea unui cip, de exemplu, trebuie analizate simultan distribuția temperaturii, comportamentul materialelor și numeroase alte constrângeri fizice. În meteorologie trebuie urmărite miliarde de valori care descriu atmosfera. În explorarea petrolieră sau geotermală trebuie interpretate structuri geologice tridimensionale.
Accelerated Understanding speră ca un singur model general să poată aborda mai multe asemenea probleme, în loc ca fiecare industrie să dezvolte separat simulatoare specializate.
Project Prometheus al lui Jeff Bezos
Project Prometheus merită o explicație separată, pentru că nu este pur și simplu încă un startup care construiește un chatbot. Compania a fost creată în 2025 de Jeff Bezos și Vik Bajaj, fizician și chimist care a lucrat anterior în organizația Google X. Bezos și Bajaj sunt co-directori executivi, iar implicarea directă a fondatorului Amazon este remarcabilă: este primul său rol executiv formal important după renunțarea la funcția de CEO al Amazon în 2021.
Prometheus a pornit cu aproximativ 6,2 miliarde de dolari, o sumă neobișnuit de mare pentru o companie aflată la început. În iunie 2026 a urmat o rundă de finanțare de încă 12 miliarde de dolari, compania fiind evaluată în jurul a 41 de miliarde de dolari.
Dar poate mai importantă decât finanțarea este ideea din spatele proiectului. Dacă OpenAI, Anthropic sau Google au construit în primul rând modele generale capabile să lucreze cu informația digitală, Prometheus încearcă să dezvolte inteligență artificială pentru proiectarea și fabricarea obiectelor din lumea reală.
Bezos a descris obiectivul în termenii unui fel de „inginer general artificial”: un sistem care să ajute la transformarea unei idei într-un produs fizic mult mai repede decât este posibil astăzi.
Gândiți-vă la un motor de avion. Procesul nu înseamnă doar desenarea unei forme. Trebuie alese materiale, calculate temperaturi și presiuni, simulate fluxuri de aer, analizate vibrații, fabricate prototipuri, testate componente și apoi modificat proiectul. Acest ciclu poate dura ani.
Prometheus încearcă să comprime ceea ce Bezos numește ciclul „dream-build”, adică drumul de la idee la obiectul fabricat. Ambiția declarată este ca inteligența artificială să permită inginerilor să parcurgă acest ciclu de zece ori mai repede sau chiar mai mult.
Este o diferență importantă față de automatizarea industrială clasică. Nu este vorba doar despre înlocuirea muncitorului de la o linie de producție cu un robot. Miza este automatizarea parțială a procesului intelectual de proiectare, simulare, experimentare și optimizare care precede fabricația.
În acest sens, Prometheus și Accelerated Understanding pornesc de la aceeași constatare: următorul teritoriu important pentru IA ar putea fi lumea fizică, dar strategiile lor sunt diferite.
Prometheus construiește o organizație gigantică, finanțată cu zeci de miliarde de dolari, care încearcă să integreze inteligența artificială în întregul proces industrial. Accelerated Understanding pleacă dinspre o problemă mai fundamentală: construirea unui model matematic general capabil să reprezinte fenomene fizice.
Oferta pe care Anandkumar a refuzat-o
Legătura dintre cele două proiecte datează din 2024, când Vik Bajaj a discutat cu Anandkumar și Jenik despre o posibilă colaborare.
Oferta ulterioară era extraordinară chiar și după standardele industriei IA. Anandkumar urma să devină una dintre figurile centrale ale Project Prometheus și să definească direcția științifică. Împreună cu Jenik ar fi putut primi o participație de 35% și remunerații anuale care, după primele luni, ar fi ajuns împreună la două milioane de dolari.
Au refuzat.
Un motiv posibil se desprinde chiar din direcția actualei lor companii. Accelerated Understanding nu încearcă doar să construiască un instrument pentru fabrici, ci să exploreze o idee mai generală: dacă inteligența artificială poate învăța structurile matematice ale lumii fizice suficient de bine încât aceeași arhitectură să poată fi utilizată pentru fenomene foarte diferite.
De la Nvidia la „modele ale lumii”
Ideea nu a apărut peste noapte. Anandkumar a lucrat la Amazon și apoi, timp de cinci ani, a condus cercetări de inteligență artificială la Nvidia. Unul dintre domeniile în care operatorii neuronali au produs rezultate spectaculoase a fost meteorologia.
Modele precum FourCastNet au demonstrat că rețelele neuronale pot genera prognoze atmosferice globale într-un timp mult mai scurt decât simulările numerice tradiționale.
Pasul următor este mult mai ambițios: nu un model pentru atmosferă, altul pentru fluide și altul pentru materiale, ci modele care să poată generaliza între clase de fenomene.
De aici și apropierea de conceptul de „world model”, una dintre marile direcții actuale ale cercetării în IA. Ideea este ca un sistem să nu se limiteze la corelațiile dintre cuvinte sau imagini, ci să construiască reprezentări ale modului în care lumea evoluează: obiectele se deplasează, fluidele curg, materialele se încălzesc, corpurile interacționează.
Pentru Anandkumar, trecerea este una conceptuală. Inteligența artificială actuală privește lumea în mare măsură prin informația produsă de oameni. O inteligență artificială pentru știință ar trebui să privească direct natura și să învețe regularitățile acesteia. Aceasta susține că adevăratul potențial al IA în cercetarea științifică nu constă doar în generarea mai multor ipoteze, ci în reducerea numărului de experimente fizice costisitoare necesare pentru verificarea lor.
Următoarea mare competiție din inteligența artificială
Anii recenți au fost dominați de competiția pentru cel mai performant model lingvistic. Dar această cursă începe să fie dublată de alta. Miza nu mai este doar construirea unei inteligențe artificiale care poate vorbi despre lume, ci a uneia care poate anticipa ce va face lumea.
Dacă un astfel de sistem ar putea prezice rapid efectul modificării geometriei unei turbine, comportamentul unui material nou, disiparea căldurii într-un procesor sau evoluția unei furtuni, consecințele economice ar fi considerabile.
Proiectarea industrială s-ar putea transforma dintr-un proces dominat de simulări lente și experimente repetate într-un proces în care milioane de variante sunt explorate virtual înainte ca primul prototip să fie construit.
Deocamdată, afirmațiile Accelerated Understanding trebuie validate independent și la scară reală. Un model care funcționează impresionant într-o serie de teste nu este automat un model universal al fizicii. Dar direcția este importantă. După ce inteligența artificială a învățat să genereze texte, imagini, sunete și programe, o parte tot mai mare a cercetării încearcă acum să-i ofere ceva fundamental diferit: capacitatea de a reprezenta și prezice lumea materială.
Iar competiția dintre proiecte precum Prometheus și Accelerated Understanding sugerează că următoarea etapă majoră a IA s-ar putea desfășura nu pe Internet, ci în laboratoare, fabrici, simulări climatice și în ecuațiile prin care încercăm să descriem natura.
Sursa: Reuters
