Tecnologia da Accelerated Understanding abandona a arquitetura tradicional dos chatbots e mira aplicações em robótica, chips, clima e engenharia.
Uma nova abordagem de inteligência artificial apresentada nesta semana pretende levar a tecnologia para muito além dos textos, imagens e conversas que popularizaram ferramentas generativas. A startup Accelerated Understanding, fundada pela pesquisadora Anima Anandkumar e pelo engenheiro Benedikt Jenik, afirma ter desenvolvido um modelo capaz de lidar, em testes, com mais de 5 trilhões de pontos de dados em uma única inferência. O objetivo não é criar mais um chatbot, mas construir uma IA capaz de simular e compreender fenômenos físicos. (reuters.com)
A dimensão chama atenção, mas precisa ser interpretada corretamente. Esses 5 trilhões não correspondem a palavras ou tokens como nos grandes modelos de linguagem. A empresa trabalha com informações físicas distribuídas em três dimensões espaciais mais o tempo, formando representações 4D. Segundo a companhia, seu sistema já ultrapassou 5 trilhões de pontos de contexto durante inferência, enquanto no treinamento chegou a contextos de até 1 trilhão. (acceleratedunderstanding.com)
Uma inteligência artificial construída para entender física
A principal diferença está naquilo que a IA aprende. Modelos de linguagem são treinados principalmente para encontrar padrões em enormes quantidades de textos e prever sequências. O sistema desenvolvido pela Accelerated Understanding procura aprender como sistemas físicos evoluem no espaço e no tempo, permitindo que a máquina produza previsões sobre fenômenos que acontecem no mundo real. (reuters.com)
Para fazer isso, os pesquisadores deixaram de lado a arquitetura Transformer que se tornou dominante na IA generativa. Em seu lugar, a empresa utiliza operadores neurais, uma abordagem de aprendizado de máquina para problemas matemáticos e físicos que Anandkumar ajudou a desenvolver anteriormente. A tecnologia permite aprender relações entre campos físicos e produzir previsões em diferentes resoluções. (reuters.com)
A proposta é especialmente interessante porque grande parte da engenharia moderna depende de simulações. Antes de fabricar um componente, engenheiros podem utilizar modelos matemáticos para tentar descobrir como calor, pressão, fluidos, materiais e outras variáveis vão se comportar. Dependendo da complexidade, essas simulações podem exigir grande capacidade computacional e muito tempo.
A nova empresa pretende usar inteligência artificial justamente para acelerar esse processo. Em vez de realizar repetidamente experimentos físicos ou desenvolver um modelo extremamente específico para cada problema, a ambição é construir uma IA suficientemente ampla para compreender diferentes áreas da física dentro de uma mesma arquitetura. Essa capacidade ainda terá de ser comprovada em aplicações comerciais concretas. (acceleratedunderstanding.com)
Chips, robôs e previsão do clima estão entre as aplicações
Um dos exemplos apresentados pelos fundadores está no desenvolvimento de semicondutores. Projetar chips envolve compreender como materiais, temperaturas e estruturas extremamente pequenas interagem. Uma IA capaz de simular essas condições poderia ajudar engenheiros a testar virtualmente modificações antes de produzir protótipos físicos. (reuters.com)
A robótica é outra aplicação potencial. Robôs precisam interagir com objetos, forças e ambientes que obedecem às leis da física. Sistemas capazes de antecipar como determinada ação afetará o ambiente podem ajudar máquinas a planejar movimentos e compreender melhor as consequências de suas decisões.
Há ainda uma conexão direta com meteorologia e eventos extremos. Anandkumar participou anteriormente do desenvolvimento do FourCastNet, sistema que mostrou como operadores neurais poderiam ser utilizados em previsões meteorológicas de alta resolução. A experiência ajudou a demonstrar que técnicas de IA poderiam acelerar determinados tipos de simulação científica. (acceleratedunderstanding.com)
A empresa também cita análises geológicas como possível mercado. Companhias de energia trabalham com enormes conjuntos de informações sobre estruturas subterrâneas, propriedades de materiais e comportamento físico. Um sistema capaz de interpretar grandes representações tridimensionais ao longo do tempo poderia ajudar a analisar esses ambientes de maneira diferente dos modelos tradicionais. (reuters.com)
O que significa processar 5 trilhões de pontos
O número de 5 trilhões é provavelmente a característica que mais chama atenção no anúncio. A própria empresa explica que o contexto em seu modelo possui significado diferente daquele utilizado em um chatbot. Enquanto textos formam essencialmente uma sequência unidimensional de tokens, uma simulação física pode representar três dimensões espaciais e sua evolução temporal. (acceleratedunderstanding.com)
Isso faz a quantidade de informações crescer rapidamente conforme a resolução aumenta. Para representar detalhadamente um fenômeno em 3D durante milhares de momentos diferentes, podem ser necessários bilhões ou trilhões de pontos. A empresa afirma ter alcançado mais de 5 trilhões de contexto durante inferência sem recorrer a técnicas como subamostragem ou divisão simplificada em patches. (acceleratedunderstanding.com)
A escala também cria um enorme desafio de infraestrutura. De acordo com informações divulgadas sobre o sistema, uma amostra individual pode ficar grande demais para caber na memória de um único acelerador de IA ou até mesmo de um nó computacional completo. Isso obrigou a equipe a desenvolver maneiras de distribuir dados e modelos entre diferentes componentes de hardware. (news9live.com)
Por essa razão, comparar diretamente os 5 trilhões de pontos com a janela de contexto de um grande modelo de linguagem pode ser enganoso. As informações possuem estruturas diferentes e são utilizadas para tarefas completamente distintas. O número demonstra principalmente a escala computacional da abordagem, e não significa automaticamente que o modelo seja milhões de vezes “mais inteligente” que um chatbot. (magica.com)
Fundadores recusaram projeto apoiado por Jeff Bezos
A história da startup ganhou ainda mais atenção porque Anandkumar e Jenik chegaram a ser procurados para participar do Project Prometheus, iniciativa de inteligência artificial apoiada por Jeff Bezos. Segundo documentos vistos pela Reuters, uma proposta previa posições de liderança para os dois pesquisadores, participação societária e acesso a bilhões de dólares em capital comprometido. (reuters.com)
Os dois decidiram continuar independentemente com a Accelerated Understanding. O Prometheus seguiu outro caminho e levantou US$ 12 bilhões em uma rodada Série B em junho de 2026, segundo a Reuters. O projeto também trabalha na interseção entre inteligência artificial e sistemas físicos, com foco na automação da fabricação de sistemas complexos. (reuters.com)
Anandkumar possui uma trajetória diretamente ligada à evolução da IA científica. Atualmente professora de computação e ciências matemáticas no Caltech, ela trabalhou anteriormente na Amazon e foi diretora sênior de pesquisa em inteligência artificial na Nvidia. Parte de sua atuação envolveu justamente a utilização de GPUs e operadores neurais para grandes problemas científicos. (reuters.com)
Jenik, por sua vez, possui experiência na construção de grandes sistemas de aprendizado de máquina e infraestrutura de IA. A combinação entre pesquisa matemática e capacidade de treinamento em grande escala está no centro da estratégia da nova companhia.
IA física pode representar uma nova frente da corrida tecnológica
A Accelerated Understanding não está sozinha na tentativa de construir inteligências artificiais capazes de compreender melhor o mundo físico. Outras equipes e empresas trabalham nos chamados world models, sistemas que procuram aprender representações espaciais e prever como ambientes mudam quando determinadas ações acontecem. (reuters.com)
A diferença defendida pela nova startup está na tentativa de modelar fenômenos que nem sempre são visíveis. Temperatura, pressão e diferentes propriedades dos materiais, por exemplo, não podem ser compreendidas apenas observando vídeos. A proposta é incorporar diretamente diferentes modalidades físicas ao treinamento.
A empresa afirma ter realizado centenas de treinamentos e trabalhado com modelos de até 1 trilhão de parâmetros, além de experimentos de escalabilidade que chegaram a 35 trilhões de parâmetros. Esses números são divulgados pela própria companhia e ainda não equivalem a uma demonstração independente de superioridade em aplicações industriais. (acceleratedunderstanding.com)
Esse é justamente o próximo grande teste. Para demonstrar valor econômico, a tecnologia precisará mostrar que consegue produzir simulações suficientemente precisas e oferecer vantagens em velocidade ou custo diante das ferramentas especializadas já utilizadas por engenheiros e cientistas.
A empresa começará mirando clientes corporativos, e não usuários comuns interessados em conversar com uma IA. Isso significa que suas primeiras aplicações deverão aparecer em laboratórios, empresas de engenharia e setores intensivos em pesquisa, caso a tecnologia consiga comprovar as vantagens prometidas. (reuters.com)
O anúncio mostra como a próxima etapa da inteligência artificial pode avançar para além da linguagem. Depois de sistemas capazes de produzir textos, códigos, imagens e vídeos, pesquisadores estão tentando construir modelos que entendam como objetos, materiais e forças se comportam no mundo real. Se a abordagem da Accelerated Understanding conseguir transformar sua impressionante escala de 5 trilhões de pontos em resultados científicos e industriais confiáveis, a IA poderá deixar de ser apenas uma ferramenta que descreve o mundo para se tornar também uma tecnologia capaz de simulá-lo antes mesmo que um experimento aconteça. (reuters.com)
Fontes principais: Reuters — reportagem sobre a Accelerated Understanding · Accelerated Understanding — apresentação técnica oficial · Folha de S.Paulo — modelo processa quantidade muito maior de informações.
