Anima Anandkumar（阿尼玛·阿南德库马尔）¶

背景: Caltech Bren 讲席教授（数学与计算机科学）。前 NVIDIA AI 研究负责人、AWS 云 AI 团队创始成员（"十年前造了第一批云 AI 产品"）。早年做概率模型与张量方法的理论基础，后转向把 AI 用于物理世界。2026 年加入联合国科学咨询委员会。
代表工作: neural operator（神经算子）/ Fourier Neural Operator (FNO)、FourCastNet 系列天气与气候模型、TorchLean（把神经网络写进 Lean 做形式化验证）。
本库收录起点: 2026-08-26 Latent Space "AI for science" 子系列（84 分钟，人工字幕）

来源：Latent Space 2026-08-26（以下各节至「2026-09-04 更新」一节前，均出自该期）

她在本库中的位置¶

⚠️ 本库 AI for science 此前的材料集中在生物、化学与数学；她是第一份来自连续介质物理一侧的系统材料——天气、气候、等离子体、材料、流体。

而且她给出的论点与本库主流叙事正面冲突：

"直到我们有了不只是把世界当符号、而是能模拟、能设计、能控制物理世界的 AI 之前，有一块很大的拼图是缺的。语言模型和 agent 只是其中一个方面，说到底它们仍然是外层的包装（external wrappers）。"（[00:1:22:50]）

立场与核心观点¶

维度诅咒：为什么 transformer 在物理上不是"慢"而是"跑不动"¶

⚠️（[00:28:36]）工业级模拟是 3D + 时间，每维上千格点 → 上千亿到一万亿 context length。她的原话是：

"别想给这种规模上 transformer。全世界的算力都不够，而且它们还得全部同址部署。"

配套的两条约束（[00:27:36]–[00:28:36]）： - 物理数据永远不会像语言那么多——她的天气模型只有约 5 万个高分辨率全球天气图；其它领域更少（模拟很贵、真实数据可能没有）。 - 不能像视频模型那样降分辨率（[00:30:38]）——视觉/视频生成的目标是"看起来好"，而物理模拟必须高保真，因而必须高分辨率。

神经算子：学函数空间之间的映射¶

定义性差别（[00:16:21]–[00:17:23]）：标准神经网络输入输出固定尺寸；神经算子把输入输出建模为可无限细分的连续函数，推理时可要求任意分辨率的输出。
为什么是傅立叶（[00:21:29]）：能高效捕捉非局部现象（"导数是局部的，但它的逆是积分，是非局部的"），且是准线性复杂度但保有全局连接。⚠️ 但它不是纯线性傅立叶基——层间加了非线性和残差连接，"这一点和 transformer 一样"。
相对 PINN（[00:12:15]–[00:13:16]）：PINN 每个方程实例都从头解一次，时间相关/湍流问题"根本是无望的"；神经算子有训练阶段、用上真实数据，同时仍可加物理约束做引导。
⚠️ 物理约束只能进 loss（[00:49:07]）——"做成硬约束不可行"，因此还要与数据项做权重平衡；而哪些物理容易加、哪些难加，本身是个课程表问题。

FourCastNet：三代，每代解决一件事¶

版本	变化	解决什么
v1	FNO	证明数据驱动能达到传统精度且快上万倍、一块消费级 GPU 就够（[00:01:00]）
v2	球面几何	矩形假设下长 rollout 很快爆炸；球面带来稳定性（[00:36:45]）
v3	概率/ensemble 训练目标	极端事件需要概率校准（[00:42:56]）

⚠️ 只训练预测未来 6 小时（加少量多步微调），却能外推到数月（[01:00:21]）——她自己也说"非常意外"。
⚠️ Allen AI 基于她的架构建的气候模型是唯一能跑的 AI 气候 emulator（[00:37:45]）——因为气候要求你假设世界是个球，并在反复 rollout 中保持这个信息。
开源效应（[00:34:41]）：他们是第一个宽松许可开源天气模型的；DeepMind、华为等一年后跟进。她强调的社会意义是民主化——全球南方的小型气象机构现在能有过去只有大机构才有的精度。
一条具体战绩（[00:52:11]）：2023 年秋在 ECMWF 上线；飓风 Lee 期间比标准模型提前数天正确预测登陆点。
⚠️ 她自己标注的未解问题（[00:41:54]、[01:03:28]）：超长 rollout 的物理约束仍是开放问题；展示的长 rollout 里仍能看到奇点（"这是完全的外推，我们没有把它投影回正确的物理"）。

⚠️ "物理世界可能更宽容"¶

（[00:42:56]–[00:43:58]）本页认为这是她最有迁移价值的一条判断：

反直觉的是，模型在极端事件上表现好——因为极端事件有非常特定的物理签名，"极端，但是以一种非常具体的方式极端"。
等离子体/聚变：只有几千个样本，却能准确预测破裂（disruption），且比传统模拟快一百万倍。
她的解释：自然界有大量潜空间结构，传统数值方法发现不了——因为它们 focus 在"任何情形下都要正确"，而 AI 从数据里学，会顺带揭示这些问题其实有多可解。

形式化验证（TorchLean）¶

是什么（[00:06:08]）：PyTorch 风格的抽象，但写在 Lean 里——网络可被完全形式化，然后对它做形式化陈述并验证。CROWN 等 certified robustness 算法已在该框架下实现。
能证什么（[00:08:12]–[00:09:12]）：输入扰动 → 输出扰动的界（敏感性分析，用于无人机/核反应堆这类控制回路）；以及 ⚠️ 有限精度带来的缺陷的界。
⚠️ 她自己给的限制（[00:10:12]）：Lean 仍是 CPU 的，大规模可扩展性还有大量工作——"这对 Lean 整体也一样"。目前交付的是框架，不是规模化能力。

长期命题：物理的基础模型¶

现状是窄代理模型；目标是覆盖多现象、且 multi-physics 耦合的基础模型（[01:12:38]）。
⚠️ 她对泛化边界很克制（[01:14:42]）：完全没见过的物理无法迁移——"如果你说要超出标准模型，那根本没有数据，不可能"；但耦合现象可以少样本微调（分别见过热传导和拉伸，热致形变可用远少样本学会）。
逆问题/逆设计（[01:13:38]、[01:16:46]）：逆光刻掩模、量子点门、非线性光子学。⚠️ 她的论点：人类不擅长高度非线性的设计；有准确前向物理模型做护栏后，AI 可直接优化出设计，而且我们知道它成立，因为仿真就在回路里。

政策立场¶

⚠️（[01:20:49]）"很多监管框架把 AI 等同于语言模型。" 语言模型确实能操纵人、需要管，但 AI for science 是另一回事，一刀切正是很多问题的来源。

她选的唯一瓶颈是算力（[01:21:49]）——她自陈这答案"简单甚至偷懒"，但强调的是给研究用的算力（国家实验室的超算）："没有它我们没法做实验，没法创新。"

与他人观点的呼应/分歧¶

⚠️ 本库 AI for science 目前最统一的横向判据，来自她与主持人在 [00:45:01] 那段对 AlphaFold 的类比：AI 在科学上的胜负，不主要取决于数据量，而取决于目标对象被物理约束得有多紧。 约束紧（蛋白质折叠、流体、等离子体、天气）→ 少样本也能赢；约束松（细胞、生物学整体）→ 数据和闭环才是瓶颈。
与 Lila Sciences：Lila 的"以实验做 verifier"和她的"物理约束进 loss"是同一问题的两种解法——Lila 靠外部实验闭环补数据，她靠内部归纳偏置省数据。
与 Xaira：Xaira 的"因果模型需要因果数据"正是约束松的那一端。
与 Genesis Molecular AI：都强调分辨率就是科学本身（Genesis 把精度基准从 RMSD<2Å 推到 1Å；她要求 1000×1000×1000 的网格）。
与刘洺堉 / World Labs 的世界模型路线：⚠️ 她把世界模型式的视频生成明确归为"为了看起来好"的一类（[00:30:38]），这与世界模型派的立场存在张力，本库并列不裁决。
与 Reiner Pope / Sean Lie：她的"上千亿 context length，全世界算力都不够"是从应用侧给硬件侧提的需求；两位芯片侧的人讲的是同一堵墙的另一面。

✅ 2026-09-04 更新：公司出 stealth，那堵墙她自己给了答案¶

来源：Latent Space 2026-09-04（与联合创始人 Benedikt Jenik 同场）

⚠️ 08-26 那期录制时她还不能谈公司，所以本页上面那条"上千亿到一万亿 context length，别想给这种规模上 transformer"当时只是一个否定式判断。本期补上了肯定式的那一半：她与 Benedikt Jenik 的公司 Accelerated Understanding（2026-09 出 stealth）正是为此而建。她本人同期入选 TIME100 AI。

她们实际做到了什么（全部自述，本库未核实）¶

⚠️ 训练阶段 1 万亿上下文（输入与输出各达万亿），推理阶段 5 万亿上下文，训到万亿参数模型，做过数百次训练（[00:06:03]–[00:07:03]）。一万亿怎么来的：每个空间维 1000 分辨率 × 1000 个时间步（[00:12:06]）；5 万亿那次运行输出 22 TB（[00:13:06]）。
⚠️ 她们拒绝的近似正是数字的来源（[00:05:03]–[00:06:03]）：空间三维保持三维、不像视频模型那样压缩；时间维不做自回归、整条 rollout 一起建模——理由是自回归累积误差，而且会失去"输入里究竟是什么导致了这个输出"的归因，而这对做设计极其重要。
⚠️ 标准分布式训练直接失效（[00:07:03]、[00:14:08]）：层太大，没法在一个 GPU 里重组；数据样本放不进一个加速器，甚至放不进一整个节点——整套 sharding 基础设施重写。"LLM 正在越来越多走进的那些难题，我们从一开始就在里面。"
⚠️ neural operator 在这里的作用被讲得比 08-26 更明确（[00:09:03]–[00:11:05]）：它带来分辨率不变性，而上下文长度在这里等价于分辨率——所以不是每次运行都要用万亿上下文，做设计探索的早期阶段不必烧那么多算力。而 transformer 撑不住 5 万亿：二次复杂度不可行，且不必要——"物理世界比完全任意的全对全相关有更多结构"。

✅ 一条把她 08-26 的立场变成实验结果的发现¶

⚠️ 同样大小的模型装进多个物理领域，比把那些参数全给单一领域更好；哪怕为每个物理做独立模型并做到和原来一样大，仍然更差（[00:08:03]）。"这说明收益来自共享学习，不只是模型变大就变好"——"加入更多物理领域，会帮助它在所有领域里都学得更好，这和语言里的涌现式学习是同一类"。落地侧也确认：先训窄模型验证模拟器、再加进通用模型，"宽的一路领先"（[00:24:15]）。

✅ 物理的反馈是稠密的——本库此前没有的一条论证¶

⚠️（[00:16:11]–[00:18:12]）"语言的自我改进需要人类反馈或别的奖励信号，而那些非常稀疏——只告诉你是或否。我们的反馈是稠密的，因为物理定律有很多条。" 配套的三层：PDE 解对了就等于物理做对了，sim-to-real 缺口靠"把域做得足够宽以保证落在分布内"处理；可用数值模拟器生成任意多数据，并做课程工程（从简单方程、低分辨率开始）——⚠️ "这和语言形成鲜明对照：语言是把整个互联网下载下来，一团巨大的混乱，被打乱……而人类不是这样学的，按顺序学要好得多"；再把 PDE 本身当训练信号，于是能推到超过训练数据质量的地方。

⚠️ 她与"视频式世界模型"的分界线，本期比 08-26 更硬¶

本页上面记的是她把视频生成归为"为了看起来好"。本期是明确的划界（[00:10:04]）："视频模型、视觉模型都假设训练和推理是固定分辨率。" 她承认那对游戏和娱乐可以（"物理可以稍微含糊一点"），⚠️ "但工程设计和科学发现里，我们没法用那些取巧办法。" —— 本库把这条与 Anastasis Germanidis / Runway 那期并列，是关于世界模型价值的一组明确对立，不裁决。

商业落点：半导体与能源¶

⚠️ 半导体：她们要拿的是"没被用掉的余量"（[00:21:15]）。现状是先在数字侧做、冻结、再送去过一次物理检查（PDK 规定的特征，否则 TSMC 不给做），然后就到此为止——"那只是在问还有没有足够余量能推过去，但我们并没有利用那个余量去换额外性能。"
能源分两类（[00:23:15]）：设计类（"我想要一个具有某些能力的物理对象"，"这是我们特别擅长的"）与反演类（地热——地下哪里热且含水配比合适；关键矿物在哪）。
⚠️ 她们点名了这条赛道此前的死法（[00:15:08]）："某家公司有一小块很漂亮的数据，做出一个炫的 demo，但他们真正在意的那个领域是 out of sample，于是什么也没有被部署。"
多尺度的处理（[00:18:12]–[00:19:14]）：先用更便宜、会粗化的求解器拿粗尺度效应（⚠️ "它们是错的，但是很好的起点"），再用考虑细尺度的专门求解器 fine-tune；neural operator 能在模型内部跨尺度混合，而不像很多物理领域的混合式机器学习那样由外部规定。

新增的呼应/分歧¶

与 Richard Socher（相隔 10 天）：两人都要做"科学的 Eureka 机器"，但 ⚠️ Socher 明确不从物理科学开始、把它推后三到五年（等机器人到位）；她直接从物理仿真入手。
与 Rene Haas：她的"全世界算力都不够"是从应用侧提需求，Haas 的"transformer 在设计上算力与内存密集"是从供给侧描述同一堵墙。
与 Stefano Ermon：两人都在反 transformer 的默认地位，但方向不同——Ermon 攻推理负载的形状（扩散），她攻上下文与分辨率（neural operator）。

已收录访谈¶

日期	视频	频道
2026-08-26	物理一出现 Transformer 就撞墙——神经算子与"AI for science 不是语言模型"	Latent Space（AI for science 子系列）
2026-09-04	一万亿 token 上下文，以及物理世界的"一个模型"	Latent Space（AI for science 子系列；与 Benedikt Jenik 同场）