@AnimaAnandkumar：大多数 AI 模型缺少一个关键要素：理解物理世界的能力。获得这种理解的最佳途径…
摘要
Anima Anandkumar 重点介绍了一种 Neural Operator 框架，该框架扩展了现有的神经网络架构以学习连续函数，解决了 AI 理解物理世界能力中的一个关键缺口。该工作发表在 Nature 上，并由 Caltech 进行了报道。
查看缓存全文
缓存时间: 2026/08/14 09:36
大多数AI模型缺失的一个关键要素：理解物理世界的能力。
获得这种理解的最佳方式是学习连续函数，即完整描述这些系统的底层数学关系。
但许多AI模型是为语言处理或计算机视觉而创建的，在这些领域中，数据可以被视为孤立点的集合，例如句子中的单词或图像中的固定像素集。
相反，我们提出了一个神经算子框架，展示了如何以允许AI系统学习连续函数的方式扩展现有的神经网络架构。
我们采用流行的架构，如卷积神经网络、Transformer、图神经网络，并以原则性的方式将它们扩展到神经算子。
感谢@Caltech 报道我们发表在 @Nature 上的工作 https://caltech.edu/about/news/extending-ai-architectures-to-address-continuous-scientific-problems… @mliuschi @JeanKossaifi @julberner
相似文章
@AnimaAnandkumar: 神经算子 – 将流行神经网络转换为神经算子用于科学建模 扩展神经网…
本文提出了将流行神经网络架构（CNNs、GNNs、Transformers）转换为神经算子的原则性方法，这些神经算子学习无限维函数空间之间的映射，使得在不同离散化下进行科学建模时能够获得一致的预测。发表于《Nature Machine Intelligence》。
@AnimaAnandkumar: 这是我们自开始研究神经算子以来一直在强调的一点。我们很快就从简单的...
Anima Anandkumar 强调，尽管基准测试简单，但神经算子在像高分辨率 AI 天气预报模型 (FourCastNet) 和核聚变湍流这样的困难实际问题上实现了巨大加速（10,000 到百万倍）。她引用了一篇新论文，表明随着 PDE 任务难度的增加，学习型求解器变得更加经济高效。
Accelerated Understanding Inc 推出新 AI 模型，用神经算子取代 Transformer
Accelerated Understanding Inc 推出了一款新 AI 模型，用神经算子取代了 Transformer 架构，标志着 AI 模型设计的一次转变。
面向现实世界的人工智能：与Yann LeCun的对话（12分钟阅读）
Yann LeCun认为，大型语言模型缺乏真正的智能，因为它们不理解物理世界；他主张开发能够学习因果关系并为现实世界应用提供规划的“世界模型”。
很兴奋看到@Reuters报道我们初创公司Accelerated Understanding的发布。我们正在训练大规模AI模型……
Anima Anandkumar宣布启动初创公司Accelerated Understanding，该公司正在训练大规模AI模型以模拟和理解4D物理，旨在通过将上下文长度推至万亿级来加速发明和发现。