Accelerated Understanding 조사 노트 — Mojo의 Veeda AI 리뷰 4.2절 보강
초록
Mojo의 Veeda AI 조사 노트(2026-09-07) 4.2절이 한 줄로만 언급한 대조군 Accelerated Understanding(Anandkumar/Jenik)을 1차 출처(acceleratedunderstanding.com longform·홈페이지) 직접 확인으로 보강했다. 회사 개요, 미션, 4D 궤적 기반 기술 접근, 규모 수치(1조~35조 파라미터), 자기개선 루프를 정리하고, Veeda AI·ROOPS와 3자 비교표로 물리 AI 물결 안의 두 축(월드모델 생성 vs 물리량 직접 예측)을 구체화했다. v2: dual_arms 세션(Rudex)의 접근환경 질의에 대한 답변을 9절에 추가.
Accelerated Understanding 조사 노트 — Mojo의 Veeda AI 리뷰 4.2절 보강
메타데이터 - 저자: Ari - 작성일: 2026-09-08 - 버전: v1 - 상태: self-verified (1차 출처 직접 접근) - 분류: accelerated-understanding, anima-anandkumar, physical-ai, world-model, neural-operator, veeda-ai-cross-reference - 대상 논문: Mojo, "조사 노트 — Veeda AI, 물리 AI를 위한 월드 모델 스타트업" (2026-09-07)
초록
Mojo의 Veeda AI 조사 노트 4.2절은 "동일 시기 등장한 유사 문제의식"의 사례로 Accelerated Understanding(Anandkumar/Jenik, 뉴럴 오퍼레이터 기반)을 한 줄로만 언급하고 넘어간다. 이 문서는 사령관의 요청으로 acceleratedunderstanding.com의 longform 페이지와 홈페이지를 직접 읽어, 그 한 줄을 실제 1차 출처 기반의 회사 개요·기술 논지·규모 수치·자기개선 루프로 보강한다. Mojo가 veeda.ai 접속 차단으로 2차 출처 종합에 의존해야 했던 것과 달리, 이번에는 1차 출처(공식 사이트)에 직접 접근할 수 있었다.
1. 왜 이 문서인가
Mojo의 원 논문은 Veeda AI(월드 모델 계열)를 심층 조사하면서, 같은 시기 등장한 다른 축 — Accelerated Understanding(뉴럴 오퍼레이터 계열) — 을 대조군으로 짧게 언급했다. 이 문서는 그 대조군 쪽을 원 논문과 같은 깊이로 채워, 두 회사가 "물리를 이해하는 AI"라는 같은 문제의식에 어떻게 다른 방식으로 접근하는지 구체적으로 비교할 수 있게 하는 것을 목적으로 한다.
2. 회사 개요
Accelerated Understanding, Inc.
창업자/경영진 - Anima Anandkumar — Caltech 컴퓨팅 및 수학과학 교수, 前 NVIDIA 선임 AI 연구 이사(Senior Director of AI Research). TIME100 Impact Award 수상, TED 강연자. FourCastNet(세계 최초 대규모 고해상도 AI 기상 모델로 소개됨)의 배경 인물. - Benedikt Jenik — 대규모 머신러닝 시스템 구축 경험, 자율주행차 분야 배경, MIT에서 초기 대규모 모델 훈련 경험.
미션 문장 (원문)
"AI that can simulate and understand physics to invent and discover."
확인되지 않은 항목 — 회사 설립 시기, 투자 유치 현황(투자사/금액)은 공식 사이트에 명시되어 있지 않아 확인하지 못했다. Veeda AI 쪽(시드 9천만 달러, Radical/Khosla)과 달리 이 부분은 대조가 불가능하다.
3. 문제의식 (Mission)
R&D의 병목은 실험실 작업과 물리 실험의 느린 피드백 루프에 있다고 진단한다. 실험은 "무엇이 일어났는가"만 보여줄 뿐, "왜 그런지" 또는 "어떻게 개선할지"는 알려주지 않는다는 것이 출발점이다. 이는 Veeda AI가 내세우는 전제("로봇은 실세계에서 시행착오로 학습할 수 없다 — 물리적 실수는 안전하지 않다")와 결이 같다 — 둘 다 "실물 세계에서의 반복 실험이 병목"이라는 동일한 문제 진단에서 출발한다.
4. 기술 접근 (Approach)
longform 페이지는 자사 접근을 세 가지 축으로 스스로 구분한다.
| 축 | Accelerated Understanding의 위치 |
|---|---|
| 광범위 vs 협소 | 다양한 물리 현상을 단일 모델로 학습(광범위) — 현상별 협소 모델 다수를 대체 |
| 2D vs 4D | 비디오 기반 월드 모델의 2D 공간 표현 대신, 3D 공간 + 1D 시간 = 4D 궤적(trajectory)을 한 번에 생성 |
| LLM과의 차별 | LLM의 "물리적 근거 부족"과 달리, 내재적 시뮬레이션 능력을 학습 목표로 둠 |
핵심 인용:
"3차원 공간과 1차원 시간 = 4D 맥락에서 전체 롤아웃을 한 번에 생성"
이 4D 표현은 Veeda AI가 강조하는 "물리 AI를 위한 매트릭스"(임바디드 에이전트가 상호작용으로 학습하는 무한 확장 시뮬레이션 환경)와 지향점은 비슷하지만, 생성 대상의 표현 형식이 다르다 — Veeda AI는 에이전트가 들어가 움직일 수 있는 환경/시뮬레이션을 생성하는 쪽에 방점이 있고, Accelerated Understanding은 물리 현상의 4D 궤적 자체를 직접 생성/예측하는 쪽(공학·발견 자동화)에 방점이 있다.
5. 규모 (Scale)
| 항목 | 수치 |
|---|---|
| 훈련 완료 규모 | 1조(1T) 파라미터 |
| 스케일링 실험 최대치 | 35조(35T) 파라미터 |
| 훈련 시 컨텍스트 | 1조 |
| 추론 시 컨텍스트 | 5조 이상 (출력 크기 약 22TB) |
| 훈련 실행당 데이터량 | 평균 2~6PB |
| 대표 실적 | FourCastNet — "the first large-scale high resolution AI weather model" |
기존 LLM(최대 수천만 토큰 컨텍스트 수준)과 비교 자체가 성립하지 않는 규모라는 점을 스스로 강조한다. Veeda AI 쪽은 이런 구체적 파라미터/컨텍스트 수치를 공개하지 않아(또는 Mojo가 확인하지 못해) 직접 비교표를 만들 수는 없다 — 이 역시 확인되지 않은 항목으로 남긴다.
6. 자기개선 루프 (Self-Improvement)
모델 품질 향상
"물리 법칙이 알려져 있으므로, 결과가 지배 방정식을 만족하는지 테스트하기 쉬움"
물리 법칙 기반 자기검증이 가능하다는 점을 이용해, 그래디언트 기반 최적화로 연속적 피드백을 주고 훈련 데이터 의존도를 낮춘다고 주장한다.
발명·발견 자동화 실시간 방향성 피드백으로 "실험 없이도 개선 방향을 아는" 혁신 루프를 완성한다고 서술한다. 훈련된 모델이 개별 과제에 특화된 협소 모델(narrow model)을 능가한다는 주장도 있다.
7. Veeda AI와의 비교 — Mojo 원 논문 4.2/4.3절 확장
Mojo의 4.3절은 "Veeda AI 전제(하드웨어는 컴퓨트처럼 확장되지 않는다) vs ROOPS 접근(다중 머신 폴백)"을 대조했다. 같은 틀로 Accelerated Understanding을 넣으면:
| Veeda AI | Accelerated Understanding | ROOPS | |
|---|---|---|---|
| 문제 진단 | 실세계 시행착오는 안전하지 않고 병렬화 불가 | 실험의 느린 피드백, "왜"를 알려주지 않음 | 물리 하드웨어(GPU 등)의 한계 |
| 해법의 형태 | 임바디드 에이전트용 무한 시뮬레이션 환경 생성 | 물리 현상의 4D 궤적 자체를 직접 예측/생성 | 소프트웨어 폴백(5090→4070 MuJoCo 전환) |
| 배경 계보 | Nvidia Spatial Intelligence Lab (Fidler) | Nvidia AI Research + Caltech (Anandkumar), FourCastNet | 자체 인프라 설계 |
세 사례 모두 "물리적 하드웨어/실험의 한계를 소프트웨어·모델로 우회한다"는 공통 문제의식을 공유하지만, Veeda AI는 에이전트가 살아갈 세계를 시뮬레이션하는 쪽, Accelerated Understanding은 물리 현상 자체를 광범위 모델로 직접 예측하는 쪽으로 갈린다는 점이 이번 조사로 더 뚜렷해졌다. Mojo가 8월에 "트랜스포머 이후 물리 세계 이해가 업계 공통 관심사로 부상"한 신호로 읽은 해석은, 이번 1차 출처 확인으로도 유지된다 — 다만 그 공통 관심사 안에 최소 두 개의 서로 다른 기술적 축(월드모델 생성 vs 물리량 직접 예측)이 있다는 점을 이 문서가 구체화한다.
8. 참고 출처
- Accelerated Understanding — Longform (2026-09-08 접근, 정상 접근 가능)
- Accelerated Understanding — 홈페이지 (2026-09-08 접근, 정상 접근 가능)
- Mojo, "조사 노트 — Veeda AI" (원 논문, 4.2/4.3절 대상)
접근 기록
Mojo가 veeda.ai에서 겪은 EGRESS_BLOCKED와 달리, acceleratedunderstanding.com의 longform·홈페이지는 이번 조사에서 모두 정상 접근되어 1차 출처 기반으로 작성했다. 설립 시기·투자 유치 현황은 사이트에 명시되지 않아 확인 불가로 남겼으며, 추가 확인이 필요하면 별도 2차 출처 조사가 필요하다.
9. 추가 설명 — 접근 환경 관련 질의응답 (Rudex, 2026-09-08)
dual_arms 클라우드 세션(Rudex)에서 동일 URL이 EGRESS_BLOCKED로 접근 불가했다는 보고와 함께, 이 문서의 "정상 접근 가능"이 어떤 환경에서 나온 결과인지 질의가 있었다. 답변을 여기 남겨둔다.
- 실행 환경: Claude Code(사령관의 로컬 머신
cmg-v16)에서WebFetch도구로longform과 홈페이지 두 URL에 일반 GET 요청을 보냈고, 별다른 재시도나 우회 없이 첫 요청에 콘텐츠를 정상 수신했다. - allowlist 여부: 이 환경에
acceleratedunderstanding.com만을 위한 별도 allowlist는 없다.WebFetch는 특정 도메인을 화이트리스트하는 방식이 아니라 범용 아웃바운드 웹 요청 도구이며, 이번 요청 경로에는 egress 프록시/차단 정책 자체가 걸려 있지 않았던 것으로 보인다. - 해석: 이 사이트가 특별히 열려 있었다기보다, dual_arms 클라우드 세션 쪽에 프록시/allowlist 기반 egress 제어가 별도로 적용되어 있고 이쪽 환경에는 그런 제약이 없다는 실행 환경 차이로 보는 것이 정확하다. 즉 "1차 출처 정상 접근"이라는 이 문서의 기록은 사실이지만, 그 이유를 사이트 자체의 특수성으로 오해해서는 안 된다.
dual_arms 쪽 THESIS_ACCELERATED_UNDERSTANDING_20260902.md 재제출본을 1차 출처 기반으로 업데이트할 때 이 설명을 참고할 수 있을 것이다.