Dos investigadores rechazaron el 35% de una empresa financiada por Jeff Bezos para montar la suya. El martes 25 de agosto salieron del silencio: se llama Accelerated Understanding y su modelo no está entrenado en texto, sino en física.
En pruebas, dicen, ha tragado 5 billones de puntos de datos en un solo prompt.
Puntos clave
- Anima Anandkumar, catedrática de computación y matemáticas en Caltech y ex directora de investigación en Nvidia, y Benedikt Jenik, ingeniero de infraestructura de IA, fundan la compañía.
- Rechazaron Project Prometheus, de Bezos: 35% del capital, un salario conjunto de 1 millón que subía a 2 millones a los tres meses, y más de 2.000 millones comprometidos hasta la Serie B.
- Prometheus levantó después 12.000 millones en Serie B, en junio de 2026.
- El modelo no usa Transformer. Usa neural operators, un método que Anandkumar ayudó a inventar.
- Más de 100 ejecuciones de preentrenamiento, hasta 1 billón de parámetros, entre 2 y 6 petabytes de datos por ejecución.
- Primer mercado: diseño de chips, robótica, predicción de meteorología extrema y análisis geológico para energéticas.
Qué hace distinto un neural operator
Un modelo de lenguaje aprende a adivinar la siguiente palabra. Este aprende a adivinar qué hace a continuación la realidad física, en tres dimensiones de espacio más el tiempo.
La diferencia técnica que importa está en cómo genera la respuesta. Un modelo autoregresivo va paso a paso y arrastra su propio error: cada predicción se apoya en la anterior, y a los cien pasos la simulación se ha ido. Estos modelos predicen la evolución completa del sistema de una vez.
Además son invariantes a la resolución. Puedes pedir el mismo fenómeno con más o menos detalle sin reentrenar nada.
Y hay un resultado que ellos ponen por delante: un modelo entrenado en varias tareas de física a la vez no solo las resuelve, sino que gana a los modelos entrenados en cada una por separado. Es el mismo efecto que hizo despegar a los modelos de lenguaje generalistas frente a los especializados, aplicado a ecuaciones.
Anandkumar lo resume así: "La visión de la inteligencia centrada en el lenguaje pone al humano en el centro. Poner la física en el centro es una visión centrada en la naturaleza."
La cena, la oferta y el no
La historia del rechazo empieza en una cena en un restaurante caro de Los Ángeles, a finales de 2024.
El inversor y emprendedor de biotecnología Vik Bajaj, que después cofundaría Prometheus con Bezos, planteó una colaboración a Anandkumar y a Jenik. Ella llegaba con un currículum poco habitual: científica en Amazon, invitada a las cumbres pequeñas de IA que organizaba Bezos, y cinco años como directora en Nvidia. Jenik, su marido, venía de infraestructura de IA y de coches autónomos.
Ya habían empezado su propia compañía.
La carta de oferta, titulada "Project Prometheus", ponía a Anandkumar como cara pública, miembro del consejo y dueña de la visión científica. Jenik entraba como observador. Entre los dos, el 35% del capital y un salario conjunto de 1 millón de dólares que se doblaba a 2 millones a los tres meses. Detrás, más de 2.000 millones en rondas comprometidas hasta Serie B, con Bezos entre los inversores.
Dijeron que no y siguieron solos. Bezos y Bajaj levantaron 12.000 millones para Prometheus en junio.
Sobre su propia financiación, Anandkumar no suelta prenda. Solo dice que tienen acuerdos con proveedores de cómputo que les han dado los clústeres de entrenamiento e inferencia, y no nombra a ninguno. Nvidia no ha contestado a si está detrás.
El origen: Huang y FourCastNet
Quien la empujó a montar esto fue Jensen Huang.
Anandkumar entró en Nvidia en 2018 para dirigir un equipo que investigaba cómo las tarjetas gráficas podían mover la IA de frontera. De ahí salió FourCastNet, el primer modelo meteorológico de IA de alta resolución a gran escala, que demostró que se podía predecir el tiempo con aprendizaje automático igualando la precisión de los métodos numéricos de siempre. Huang presentó ese trabajo en la GTC de 2021.
"Se puso muy contento", cuenta ella. Cuando le comentó que la IA podía comerle el terreno a los físicos teóricos, Huang respondió: "Quiero que se lo coma todo."
Dónde piensan cobrar
La apuesta comercial es un modelo, muchos dominios. Robótica, previsión de tormentas y geología del subsuelo se reducen a preguntas de física, así que en vez de un solucionador a medida y frágil para cada caso, un sistema responde a todos.
El ejemplo más claro que ponen es el diseño de chips. La competencia apunta al problema del semiconductor con IA que escribe código y razona sobre texto. Ellos argumentan que entender la física de verdad permite optimizar materiales y comportamiento térmico con menos vueltas de laboratorio. Es justo la capa por debajo de lo que se está moviendo en hardware estas semanas, con Nvidia presentando NVHBM y un 30% más de ancho de banda de memoria.
Van a contratos de empresa antes que a cualquier producto de consumo.
El contexto: la carrera por el mundo físico
No están solos. Los laboratorios de Yann LeCun y Fei-Fei Li persiguen lo que se llama world models, sistemas que entienden la realidad espacial mejor que cualquier cosa entrenada con texto. World Labs, de Li, levantó 1.000 millones en febrero con AMD, Nvidia y Autodesk dentro. LeCun dejó Meta para montar el suyo.
La premisa que comparten los tres: el lenguaje solo pone un techo a lo que una máquina puede entender.
Qué mirar si esto te toca
Para el 99% de las empresas esto no cambia nada en 2026. Si vendes gafas, ropa o software, tu problema no es simular un fluido.
Donde sí miraría es si tu negocio tiene un solucionador numérico caro en medio. Ingeniería, energía, seguros con modelos de riesgo climático, logística con previsión meteorológica. Ahí la pregunta no es si el modelo es impresionante, es cuánto tarda hoy tu simulación y cuánto costaría equivocarse.
Y queda la duda honesta, que ellos mismos reconocen: nadie sabe todavía si una empresa va a poner en producción una arquitectura que no es Transformer. Eso se responde contrato a contrato, no benchmark a benchmark.
Fuente original: acceleratedunderstanding.com
Relacionado
