Dos investigadores de IA — Anima Anandkumar y Benedict Yeník — rechazaron la oferta de liderar el proyecto Prometheus, que se crea con el apoyo de Jeff Bezos. En su lugar, lanzaron su propia startup, Accelerated Understanding, orientada al modelado del mundo físico a escala industrial. Su idea no es otro chatbot, sino sistemas que comprenden el espacio, el tiempo, los materiales y la energía.
A primera vista, la decisión parece inesperada: las condiciones para participar en Prometheus parecían lujosas. Sin embargo, los investigadores eligieron la independencia — y ahora explican por qué.
¿Por qué no Prometheus?
Prometheus fue fundado por Jeff Bezos junto con el inversor y biotecnólogo Vic Bajaj. El proyecto es ambicioso desde el principio: se dedica a la automatización de la producción de sistemas físicos complejos. Más tarde, Prometheus atrajo 12 mil millones de dólares en una ronda Serie B, pero la aparición de esta cantidad ya no influyó en la decisión de Anandkumar y Yeník.
No se trata de finanzas. A los investigadores se les ofrecía una participación del 35% en la empresa, un salario de hasta 2 millones de dólares al año y más de 2 mil millones de dólares en financiación hasta la Serie B. Pero bajo el capó de Prometheus, al parecer, había otra lógica tecnológica. Los científicos consideraron que podrían lograr más si seguían su propio camino y se centraban en una arquitectura de IA fundamentalmente distinta.
Tecnología: del lenguaje a la física
Anandkumar describe el concepto de Accelerated Understanding como un cambio del «modelo lingüístico de la inteligencia» a un enfoque centrado en la naturaleza. A diferencia de los sistemas conversacionales como ChatGPT, que operan con texto, la nueva plataforma intenta predecir fenómenos físicos en el espacio y el tiempo. No es un intento de mejorar los modelos generativos existentes, sino más bien la creación de otra clase de herramientas.
La base técnica clave son los neurooperadores. Anandkumar ya impulsó esta línea durante sus investigaciones en Caltech y Nvidia. El sistema no se apoya deliberadamente en la arquitectura Transformer, sobre la que se construyen casi todos los grandes modelos de lenguaje modernos. Los desarrolladores afirman que su solución es capaz de procesar hasta cinco billones de fragmentos de datos en una sola consulta — aproximadamente cinco millones de veces más que la capacidad típica de los modelos insignia de Anthropic y Google.
Ese margen de contexto no se necesita para diálogos largos, sino para el modelado completo de sistemas complejos — por ejemplo, cómo se comporta el silicio al calentarse o cómo se forma un frente atmosférico.
Dónde será útil
La startup planea trabajar con clientes corporativos, no lanzar un producto de consumo. Entre los sectores prioritarios están la industria de semiconductores, la robótica, la predicción meteorológica y la energía.
Para los fabricantes de chips, la tecnología puede predecir cómo afectan los distintos materiales y regímenes de temperatura al rendimiento final de los componentes — incluso antes de las costosas pruebas físicas. En meteorología, el nuevo modelo es capaz de describir eventos físicos complejos sin necesidad de construir simulaciones separadas para cada escenario. De hecho, la empresa ofrece un «motor del mundo físico» universal sobre el que se pueden construir soluciones sectoriales.
Anandkumar tiene una sólida experiencia para esta tarea: es profesora de ciencias computacionales y matemáticas en Caltech, y antes pasó cinco años como directora de investigación en Nvidia, donde trabajó con GPU y aplicaciones avanzadas de IA. Según ella, el CEO de Nvidia, Jensen Huang, fomentaba el desarrollo de precisamente esta idea más amplia. Ahora ella y su cofundador tienen la oportunidad de hacerla realidad en su totalidad, sin mirar atrás a los inversores del gran proyecto.
