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.
