Dois pesquisadores de IA — Animashree Anandkumar e Benedict Yenik — recusaram a proposta de liderar o projeto Prometheus, criado com o apoio de Jeff Bezos. Em vez disso, lançaram sua própria startup, Accelerated Understanding, voltada para a modelagem do mundo físico em escala industrial. A ideia deles não é mais um chatbot, mas sistemas que compreendem espaço, tempo, materiais e energia.
À primeira vista, a decisão parece inesperada: as condições para participar do Prometheus pareciam generosas. No entanto, os pesquisadores escolheram a independência — e agora explicam o porquê.
Por que não o Prometheus?
O Prometheus foi fundado por Jeff Bezos em parceria com o investidor e empreendedor de biotecnologia Vik Bajaj. O projeto é ambicioso desde o início: ele atua na automação da produção de sistemas físicos complexos. Posteriormente, o Prometheus captou 12 bilhões de dólares em uma rodada Série B, mas o surgimento desse valor já não influenciou a escolha de Anandkumar e Yenik.
A questão não é financeira. Os pesquisadores receberam uma oferta de participação de 35% na empresa, salário de até 2 milhões de dólares por ano e mais de 2 bilhões de dólares em financiamento até a Série B. Mas, sob o capô do Prometheus, aparentemente havia uma lógica tecnológica diferente. Os cientistas concluíram que poderiam alcançar mais seguindo seu próprio caminho e focando em uma arquitetura de IA fundamentalmente distinta.
Tecnologia: da linguagem à física
Anandkumar descreve o conceito da Accelerated Understanding como uma mudança de um "modelo de linguagem da inteligência" para uma abordagem centrada na natureza. Diferente dos sistemas conversacionais como o ChatGPT, que operam com texto, a nova plataforma tenta prever fenômenos físicos no espaço e no tempo. Não se trata de uma tentativa de melhorar os modelos generativos existentes, mas sim da criação de outra classe de ferramentas.
A base técnica central são os neurooperadores. Anandkumar já havia contribuído para essa área durante suas pesquisas no Caltech e na Nvidia. O sistema deliberadamente não se apoia na arquitetura Transformer, sobre a qual são construídas quase todas as grandes linguagens de modelo modernas. Os desenvolvedores afirmam que sua solução é capaz de processar até cinco trilhões de fragmentos de dados em uma única consulta — cerca de cinco milhões de vezes mais do que a capacidade típica dos modelos líderes da Anthropic e do Google.
Essa margem de contexto não é necessária para diálogos longos, mas para a modelagem completa de sistemas complexos — por exemplo, como o silício se comporta quando aquecido ou como uma frente atmosférica se forma.
Onde isso será útil
A startup planeja trabalhar com clientes corporativos, e não lançar um produto de consumo. Entre as áreas prioritárias estão a indústria de semicondutores, a robótica, a previsão do tempo e a energia.
Para os fabricantes de chips, a tecnologia pode prever como diferentes materiais e regimes de temperatura afetam o desempenho final dos componentes — antes mesmo de testes físicos caros. Na meteorologia, o novo modelo é capaz de descrever eventos físicos complexos sem a necessidade de construir simulações separadas para cada cenário. Na prática, a empresa oferece um "motor do mundo físico" universal, em torno do qual é possível construir soluções setoriais.
Anandkumar tem uma sólida experiência para essa tarefa: professora de ciências computacionais e matemáticas no Caltech e, antes disso, cinco anos de pesquisa como diretora na Nvidia, onde trabalhou com GPUs e aplicações avançadas de IA. Segundo ela, o CEO da Nvidia, Jensen Huang, incentivava o desenvolvimento exatamente dessa ideia mais ampla. Agora, ela e seu cofundador têm a oportunidade de realizá-la em sua totalidade, sem depender dos investidores de um grande projeto.
