Abandonner Prometheus pour l'IA du monde physique : Anandkumar et Yenik fondent Accelerated Understanding
Une professeure de Caltech et sa collègue ont lancé leur propre startup, renonçant à une participation dans un projet soutenu par Bezos. La nouvelle entreprise prévoit de créer des modèles qui prédisent les phénomènes physiques pour la robotique, les semi-conducteurs et le climat.

Deux chercheurs en IA — Animashree Anandkumar et Benedict Yenik — ont refusé l'offre de diriger le projet Prometheus, développé avec le soutien de Jeff Bezos. Ils ont plutôt lancé leur propre startup, Accelerated Understanding, visant à modéliser le monde physique à l'échelle industrielle. Leur idée n'est pas un énième chatbot, mais des systèmes qui comprennent l'espace, le temps, les matériaux et l'énergie.
À première vue, la décision semble surprenante : les conditions de participation à Prometheus paraissaient luxueuses. Cependant, les chercheurs ont choisi l'indépendance — et expliquent désormais pourquoi.

Pourquoi pas Prometheus ?
Prometheus a été fondé par Jeff Bezos avec l'investisseur et entrepreneur en biotech Vic Bajaj. Le projet est ambitieux dès le départ : il se consacre à l'automatisation de la production de systèmes physiques complexes. Plus tard, Prometheus a levé 12 milliards de dollars lors d'un tour de table de série B, mais l'annonce de ce montant n'a plus influencé le choix d'Anandkumar et Yenik.
Il ne s'agit pas de finance. Les chercheurs se voyaient offrir une participation de 35 % dans l'entreprise, un salaire allant jusqu'à 2 millions de dollars par an et plus de 2 milliards de dollars de financement jusqu'à la série B. Mais sous le capot de Prometheus se cachait, semble-t-il, une logique technologique différente. Les scientifiques ont estimé qu'ils pourraient accomplir davantage en suivant leur propre voie et en se concentrant sur une architecture d'IA fondamentalement différente.
Technologie : du langage à la physique
Anandkumar décrit le concept d'Accelerated Understanding comme un passage d'un « modèle linguistique de l'intelligence » à une approche centrée sur la nature. Contrairement aux systèmes conversationnels comme ChatGPT, qui opèrent sur le texte, la nouvelle plateforme tente de prédire les phénomènes physiques dans l'espace et le temps. Il ne s'agit pas d'améliorer les modèles génératifs existants, mais plutôt de créer une autre classe d'outils.
Le fondement technique clé repose sur les neuro-opérateurs. Anandkumar a contribué à ce domaine lors de ses travaux de recherche à Caltech et chez Nvidia. Le système s'appuie délibérément sur l'architecture Transformer, sur laquelle sont construites presque toutes les grands modèles de langage modernes. Les développeurs affirment que leur solution est capable de traiter jusqu'à cinq billions de fragments de données en une seule requête — environ cinq millions de fois la capacité typique des modèles phares d'Anthropic et de Google.
Cette marge de contexte n'est pas destinée aux longs dialogues, mais à la modélisation complète de systèmes complexes — par exemple, le comportement du silicium sous l'effet de la chaleur ou la formation d'un front atmosphérique.

Où cela s'appliquera
La startup prévoit de travailler avec des clients entreprises plutôt que de lancer un produit grand public. Parmi les secteurs prioritaires figurent l'industrie des semi-conducteurs, la robotique, les prévisions météorologiques et l'énergie.
Pour les fabricants de puces, la technologie pourrait prédire comment différents matériaux et régimes de température affectent les performances finales des composants — avant même les tests physiques coûteux. En météorologie, le nouveau modèle pourrait décrire des événements physiques complexes sans avoir à construire des simulations distinctes pour chaque scénario. En réalité, l'entreprise propose un « moteur du monde physique » universel autour duquel des solutions sectorielles peuvent être élaborées.
Anandkumar possède une solide expérience pour une telle tâche : professeure de sciences computationnelles et mathématiques à Caltech, et auparavant cinq ans de recherche en tant que directrice chez Nvidia, où elle travaillait sur les GPU et les applications d'IA avancées. Selon elle, le PDG de Nvidia, Jensen Huang, encourageait le développement d'une idée aussi large. Désormais, elle et son cofondateur ont la possibilité de la concrétiser pleinement, sans se soucier des investisseurs d'un grand projet.
Foire aux questions
Matériaux connexes
Tous matériaux
OpenCollab : coordination programmable d’agents, environnement d’exécution contrôlé et mesure du respect des règles
Le framework rassemble la définition de la structure d’interaction des agents, un environnement commun pour les expérimentations et une traçabilité détaillée des événements, tandis que l’indicateur Adherence introduit mesure dans quelle mesure l’exécution réelle respecte le schéma annoncé. Dans les benchmarks, la configuration Duo atteint un nouveau niveau SOTA, tandis que la variante mono-agent se distingue par la plus faible consommation de tokens.
11 novembre 2026
Toollery : sélection d’outils pour agents LLM parmi des dizaines de milliers d’options sans réentraînement
Toollery construit un index de recherche à partir des descriptions des compétences et des outils, puis ne transmet au modèle qu’un nombre limité de candidats pour chaque requête. Lors d’expériences menées sur des bibliothèques comptant jusqu’à plusieurs dizaines de milliers de fonctions, cette approche permet de maintenir la qualité de sélection avec un top-K fixe, même si l’effet final dépend du profil de charge et de la mise en cache côté fournisseur.
11 novembre 2026
WILSON : regroupement des grossissements et des lames du patient pour l’analyse pathomorphologique et la rédaction de comptes rendus
La prépublication présente WILSON, un modèle vision-langage qui encode des images de lames entières ainsi que des séries de prélèvements d’un même patient à différents grossissements, plutôt qu’une seule lame « optimale ». Sans entraînement supplémentaire pour une tâche donnée, il surpasse des modèles spécialisés et de plus grande taille dans plusieurs métriques, tout en nécessitant beaucoup moins de ressources de calcul, et ses descriptions diagnostiques ont obtenu de meilleures évaluations de la part des pathologistes.
11 novembre 2026