Accelerated Understanding ha presentato un nuovo modello di Physical AI progettato per apprendere e simulare direttamente sistemi fisici, senza utilizzare l’architettura transformer tipica dei large language model né l’impostazione comune dei world model basati prevalentemente su dati video. La startup, fondata da Anima Anandkumar e Benedict Jenik, ha sviluppato un sistema di previsione delle traiettorie spazio-temporali in quattro dimensioni, nel quale tre dimensioni spaziali vengono combinate con quella temporale per rappresentare in un’unica struttura l’evoluzione completa di un sistema fisico. L’obiettivo è costruire un modello concepito fin dall’origine per la fisica e non per il linguaggio, capace quindi di apprendere direttamente dati multidimensionali e leggi fisiche invece di operare attraverso sequenze unidimensionali di token.
I transformer utilizzati nei modelli linguistici apprendono infatti sequenze e predicono probabilisticamente il token successivo, mentre molti world model utilizzano rappresentazioni visive bidimensionali ricavate da video e procedono in modo autoregressivo, generando un passaggio dopo l’altro. Questa modalità può portare all’accumulo progressivo degli errori durante simulazioni lunghe. Il sistema di Accelerated Understanding adotta invece una strategia differente: riceve lo stato di un sistema fisico e produce direttamente l’intera traiettoria 4D prevista, evitando di costruire la simulazione attraverso una successione di predizioni locali. Secondo l’azienda, questo approccio permette di preservare dettagli fisici importanti per applicazioni ingegneristiche e scientifiche che non possono essere ricavati con sufficiente precisione dalla sola rappresentazione visiva di un fenomeno.
Alla base del modello c’è un’evoluzione dell’architettura Neural Operator, una famiglia di tecniche alla quale Anandkumar aveva lavorato anche durante la propria attività come chief scientist di Nvidia. Una delle caratteristiche centrali è la resolution invariance, cioè la possibilità di utilizzare lo stesso modello indipendentemente dalla risoluzione dei dati di ingresso e di uscita. Il sistema può quindi lavorare inizialmente su una rappresentazione approssimativa di un progetto e successivamente passare a simulazioni e ottimizzazioni molto più dettagliate senza dover utilizzare un modello differente per ogni scala di risoluzione.
La scala del contesto elaborato è uno degli elementi più estremi dell’architettura. Durante l’addestramento il modello può elaborare fino a circa mille miliardi di coordinate contestuali 4D senza ricorrere a patching o subsampling, mentre in inferenza può superare i 5.000 miliardi di elementi contestuali in una singola elaborazione. Un singolo output prodotto utilizzando un contesto da 5.000 miliardi di elementi può raggiungere una dimensione di circa 22 terabyte. Per gestire quantità di dati di questo ordine, Accelerated Understanding ha costruito un’architettura proprietaria di sharding distribuito che supera i limiti della memoria disponibile su un singolo acceleratore o nodo.
La società afferma di avere eseguito centinaia di sessioni di pre-training e di avere verificato la scalabilità dell’architettura fino a uno spazio equivalente a circa 35.000 miliardi di parametri. Il sistema è quindi stato progettato fin dall’inizio per distribuire calcolo e dati tra numerosi acceleratori, mantenendo la stabilità anche a scale molto elevate. In questo contesto il parametro non rappresenta però necessariamente la stessa cosa che nei large language model tradizionali, perché il modello opera direttamente su rappresentazioni matematiche di sistemi continui e coordinate spazio-temporali anziché su sequenze linguistiche tokenizzate.
Un altro elemento dell’architettura riguarda il processo di ottimizzazione. Il modello può utilizzare direttamente le equazioni fisiche note che governano un sistema per calcolare punteggi continui e gradienti di ottimizzazione, creando un ciclo di auto-miglioramento basato sulla conformità alle leggi fisiche. In questo modo non è necessario affidarsi esclusivamente a segnali discreti provenienti da esperimenti reali o a procedure di reinforcement learning più complesse per determinare se una soluzione sia valida. I ricercatori possono impostare vincoli e obiettivi e lasciare che il sistema esplori automaticamente possibili configurazioni, verificandole rispetto alle equazioni che descrivono il fenomeno analizzato.
L’impostazione è pensata soprattutto per ridurre il numero di cicli fisici di progettazione, simulazione e sperimentazione richiesti nei processi di ricerca e sviluppo. Nei workflow tradizionali, un modello AI può proporre una soluzione che deve poi essere verificata attraverso una simulazione numerica separata oppure tramite test di laboratorio, introducendo tempi e costi aggiuntivi. Accelerated Understanding punta invece a integrare simulazione, verifica fisica e ottimizzazione nello stesso sistema, così da permettere al modello di valutare direttamente l’evoluzione del progetto rispetto ai vincoli imposti. La società ha inoltre dichiarato di stare lavorando a tecniche con cui il sistema potrebbe ottimizzare anche la traiettoria stessa del proprio processo di innovazione, senza però fornire per ora ulteriori dettagli tecnici.
Le prime applicazioni commerciali previste riguardano settori nei quali la verifica fisica rappresenta una componente fondamentale del processo di sviluppo. Accelerated Understanding indica tra gli ambiti prioritari l’ottimizzazione della progettazione dei semiconduttori, la robotica avanzata, le previsioni climatiche e l’analisi geologica per il settore energetico. Si tratta quindi principalmente di un’offerta B2B destinata a problemi nei quali è necessario modellare fenomeni fisici complessi e valutare rapidamente un elevato numero di possibili configurazioni prima della realizzazione di prototipi o esperimenti reali.
Accelerated Understanding è stata fondata dalla professoressa del Caltech Anima Anandkumar, già director di Nvidia, e da Benedict Jenik, ingegnere specializzato in infrastrutture AI. I due fondatori avevano ricevuto la proposta di entrare nel gruppo dirigente di Project Prometheus, la startup Physical AI creata da Jeff Bezos, ma hanno scelto di proseguire autonomamente con il proprio progetto. La direzione tecnica dichiarata è quella di spostare lo sviluppo dell’intelligenza artificiale da sistemi costruiti principalmente attorno al linguaggio umano verso modelli incentrati sulle leggi della natura, utilizzando direttamente la struttura matematica dei fenomeni fisici come base per simulazione e ottimizzazione.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)