低空经济观察 — eVTOL、无人机物流、低空空管与城市空中交通产业深度分析

<figure><img src="https://img.huxiucdn.com/article/article_default_picpath_v1.png?imageView2/1/w/1440/h/810/|imageMogr2/strip/interlace/1/quality/85/format/png" /></figure>路透社8月25日报道，Anima Anandkumar和Benedikt Jenik曾被邀请加入贝索斯支持的Project Prometheus。摆在他们面前的条件很优厚：高薪、相当可观的股权，以及参与一家超级AI实验室的机会。后来两人没有加入，继续做自己的Accelerated Understanding。......本文来自微信公众号：<a href="https://mp.weixin.qq.com/s?__biz=Mzk1NzIzNzg1NQ==&mid=2247484527&idx=1&sn=a94ec0aaa9d724c6a02f7bd302f37020&chksm=c2b3ecbfc8359169ce70358b52d0c8a7a72966a41dcbb817f0478d4514c79a844d7f5a98aed5#rd" rel="nofollow" style="text-decoration: none;" target="_blank"> AIGC从0到1 </a>，作者：王零壹路透社8月25日报道，Anima Anandkumar和Benedikt Jenik曾被邀请加入贝索斯支持的Project Prometheus。摆在他们面前的条件很优厚：高薪、相当可观的股权，以及参与一家超级AI实验室的机会。后来两人没有加入，继续做自己的Accelerated Understanding。贝索斯想吸纳的那条路线，到底是什么。Prometheus想做的是一个能参与设计、实验和制造的“通用工程师”。Accelerated Understanding的切口更靠前：先让AI直接学习物理世界如何变化，再把模拟、优化和设计接在后面。前者把AI放进工程流程。后者想把物理世界本身变成下一种基础模型的训练对象。他们都在探索一个可能：大模型会不会不再只有一条路？一、会说物理，和会算物理，是两回事过去几年，AI最耀眼的进展几乎都发生在人的表达里。模型读文本、看图片、生成视频、写代码。它们能够复述流体力学的公式，解释芯片为什么发热，甚至替工程师调用CFD软件。但这种能力很容易让人误以为，只要语言模型继续变大，它终究会学会“理解现实”。问题没有这么简单。知道Navier-Stokes方程，和给定一组边界条件后，高精度地展开一团湍流未来怎样演化，是两种完全不同的能力。前者更接近知识与符号推理。后者是模拟。传统数值模拟会把物理规律拆成极小的时间步和空间网格，一次次计算。算一场流体、等离子体或材料内部的变化，往往需要昂贵的计算资源。工程师因此习惯了一种工作节奏：先提出设计，再跑仿真；结果不理想，就改参数重跑；直到最后，才挑少数方案去做真实实验。Accelerated Understanding想做的事情，是让模型直接学会这层“从初始状态到未来状态”的映射。公司公开材料中提到，它处理的不是一句话接一句话的序列，而是三维空间加时间的四维场。给定一个物理系统此刻的状态，模型试图直接推出一段完整的未来时空轨迹。公司称这类推理可以处理超过5万亿个数据点。这个数字当然很抓人，但也最容易被误读。5万亿不是5万亿个语言token。对一个三维空间随时间变化的物理场来说，只要空间和时间的离散网格足够细，数据点就会快速膨胀。把这个指标直接和聊天模型的上下文长度相比较，并不能说明两者的信息量相等。真正该看的，是它试图改变的计算形式：从一步一步往后推，变成学习一个能直接描述整段物理演化的模型。这背后有个很朴素的问题。传统预测常常要把今天的输出交给明天继续算，明天再交给后天。每一步都带一点误差，走得足够远，误差会被不断放大。Accelerated Understanding所说的4D rollout，押注的是让模型直接给出一段未来的时空场，尽量绕开这条误差链。它不满足于把物理过程拍成一帧帧视频再续写，而是试图一次性处理空间与时间的整体结构。与此同时，超长上下文也带来一个很少被放在新闻标题里的问题。公司称一次5万亿数据点级别的完整推理，输出可达约22TB。即使模型预测足够好，数据如何传输、存储、查询，并被后续的设计优化系统使用，都会成为产品的一部分。物理AI的门槛不只在模型，也在这套极不浪漫的系统工程里。二、Neural Operator学的不是答案，而是一类问题的解法理解这条路线，最容易卡在“算子”两个字上。可以先把语言模型想成一个极其强大的续写器。它读到一段有限的序列，根据上下文判断下一个token应该是什么。Neural Operator面对的对象不一样。它接收的是一个函数或一个物理场，例如某一时刻的速度、温度、压力分布，以及边界条件和材料参数；它输出的也是一个函数或物理场，例如之后一段时间里的完整流体演化。它要学习的不是某一道流体题的答案，而是这样一层关系：初始状态和边界条件变了，解会如何跟着变化。这就是operator learning的含义。它试图逼近的是一族偏微分方程的solution operator。Anandkumar多年来押注的Fourier Neural Operator，正是这一方向的代表。它利用傅里叶空间处理全局耦合关系，理论上不被某一个固定网格的分辨率锁死，因此更适合连续、可变尺度的物理场。Transformer当然也能被用于物理问题。现在已经有Transformer Neural Operator，也有把Transformer、状态空间模型与算子学习混合起来的路线。区别在模型最初面对的世界长什么样。语言是离散的序列，重点是语义和上下文。物理场是连续的，重点是空间结构、边界条件、守恒关系和时间演化。把所有世界都压成token，再让一个统一架构慢慢从中摸索规律，未必总是最经济的选择。三、这不是突然冒出来的创业叙事Anandkumar的特殊之处在于，这条路她已经走了很多年。2020年前后，Fourier Neural Operator让“用神经网络学习PDE的解算子”成为一个明确的方法论。早期工作在部分问题上报告了相对传统求解的数量级加速。之后的FourCastNet，把这一思路放进全球天气预测，论文中给出过约两秒生成一周全球天气预测的结果。团队后续又把相似方法用在核聚变等离子体演化上，相关研究在测试设置里也报告了多数量级的模拟加速。<figure><img height="608" src="https://img.huxiucdn.com/article/content/26-08-27/32514ef6-9a6e-4108-a8d3-2fcf75266491.png" width="1080" /></figure>在特定物理任务中，用学习到的代理模型替代部分高成本模拟，已经不是纸面上的设想。天气、流体、材料与等离子体等方向都积累了足够多的结果。也因此，这家公司最有意思的地方在于它试图把一批原本各自独立的科学计算成果，拉到类似基础模型的尺度上。从一个方程、一类边界条件、一个专用模拟器，走向很多种物理过程共享的表示、训练和迁移能力。这里才有真正的赌注。四、从专用模拟器到物理基础模型，中间隔着一条没有被证明的路现在的Neural Operator已经在不少领域表现不错，但大多仍是“一个任务配一套模型”的逻辑。天气有天气模型，流体有流体模型，芯片散热有芯片散热模型，核聚变有核聚变模型。它们可能共享部分方法，却不意味着一个系统在学会天气之后，就能更快学会材料、辐射或弹性力学。Accelerated Understanding想赌的是后者。它的关键问题在于不同物理规律之间，究竟有没有足够强的可迁移结构。若答案为“有”，跨物理预训练就可能像语言模型一样出现规模效应：见过更多类型的物理过程后，模型进入新领域的速度会越来越快。IBM在2026年发布的PDE-FM提供了一点早期信号。它在多个二维、三维物理数据集上做预训练，在部分领域取得了优于既有基线的结果。这说明“跨物理预训练”并非只有一家公司的想象。但它离答案还很远。一份跨领域benchmark的好成绩，不能自动推出一台通用物理引擎。物理过程之间既有共通的结构，也有顽固的差异：湍流、激波、复杂几何、高雷诺数、材料微观缺陷，常常会让一个在训练分布里漂亮的模型，在现实边缘条件下迅速失准。这也是今天最需要克制的地方。规模不是精度，context不是可靠性，模型参数更不是工程责任。即便跨物理的迁移规律不够稳定，市场仍然会有很大价值。最终形态可能是一组越来越强的行业模拟器：一个服务芯片，一个服务电池，一个服务气候，一个服务聚变。五、商业价值不只在于把模拟跑快即便最后没有出现单一的通用物理模型，Neural Operator仍然可能改写研发流程。原因在于，它不是只给出预测结果，还可以成为可微分的设计环境。传统工程里，模拟常常是一个昂贵的判断器。工程师交出一个方案，等待计算结果，再据此修改。每一轮迭代都要付时间和算力的账。一旦代理模型足够准确，系统就可以反过来参与搜索：目标是让芯片更好散热，模型可以持续调整材料、结构和工艺参数；目标是让聚变装置更稳定，模型可以在巨大参数空间里筛掉大量不值得做的试验；目标是提高电池性能，也可以先在模拟空间里寻找更有希望的候选配方。AI在这里不再只是预测器。它开始参与设计。这会把研发瓶颈从“每次实验和仿真太贵”，部分转移到另一个问题：在无数候选里，哪些值得送去做高精度仿真，哪些值得进入真实实验室。物理模型的训练数据本身仍然来自数值求解器、实验仪器和工业系统；模型给出的方案也必须回到现实中验证。更现实的图景是，先在计算空间里淘汰绝大多数坏方案，把1000次昂贵的尝试压缩到几十次。这已经足以改变芯片、材料、能源、药物研发与制造优化的经济账。六、Physical AI会有三条不同的路今天大家都在讲Physical AI，但这个词已经装进了很不一样的东西。Prometheus的路径，是让AI像工程师一样工作：理解任务，调度工具，设计、实验、制造，形成一个能够推进工程项目的系统。另一条更常见的路线，是world model。它从视频、空间和交互中学习世界，目标往往是机器人、自动驾驶或具身智能。它关心的是一个行动者如何看见、预测并进入环境。Accelerated Understanding更靠近第三条路：把物理定律描述下的连续时空演化，直接作为建模对象。它首先要解决的是模拟与设计，而不是视觉理解或机械臂抓取。这三条路以后很可能会相遇。语言模型提出假设和规划，物理模型负责高保真模拟，优化器搜索设计空间，实验系统给出最后的反馈。没有谁必然取代谁。真正的变化，是“基础模型”正在从一种几乎无所不包的想象，慢慢分化成适应不同世界结构的计算基底。它不需要取代语言智能。它只需要在某些足够昂贵、足够复杂、也足够真实的问题上，比现有方法多走一步。---资料说明：文中关于Accelerated Understanding与Project Prometheus的时间线、公司声明和相关报价，依据路透社2026年8月报道；Neural Operator、Fourier Neural Operator、FourCastNet与其在科学计算和逆向设计中的能力，依据相关论文及《Nature Reviews Physics》综述；关于跨物理预训练，参考IBM 2026年PDE-FM论文。Accelerated Understanding的万亿参数、超长context与4D rollout等旗舰主张，目前主要来自公司公开材料，文中未将其视为独立验证结果。

AI 开始直接学习物理世界：一场新的基础模型分叉

📌 概要