ШІ йде у «фізику»: як NP Co. використовує трансформери, щоб рахувати симуляції у 1000 разів швидше

Архітектура трансформерів на службі фізики

Компанія створює попередньо навчені базові моделі, використовуючи архітектуру трансформерів — той самий підхід, що лежить в основі великих мовних моделей, як-от ChatGPT, — але застосовує його для фізичного моделювання, а не для роботи з текстом . Моделі навчаються на масивах промислових фізичних даних і мають замінити застаріле програмне забезпечення в авіакосмічній, оборонній, енергетичній галузях, а також у виробництві електроніки, управлінні дата-центрами та автомобілебудуванні .

Традиційний симулятор щоразу, коли інженер змінює дизайн, змушений запускати обчислювально витратні розрахунки з нуля. Підхід NP Co. полягає в тому, що модель один раз попередньо навчається на потрібних фізичних законах, а потім видає результат в режимі реального часу, щойно інженер захоче протестувати нову конструкцію . Запускати весь ланцюжок симуляції для кожної зміни не потрібно.

Демонстрація швидкості: від тижнів до секунд

Різниця вражає. Традиційні інструменти зазвичай потребують від кількох днів до тижнів на одну оцінку конструкції. Попередньо навчені моделі NP Co. видають результат за секунди . Стартап продемонстрував 1000-кратне прискорення на промислових тестах — зокрема тих, що проводилися компанією Safran, виробником авіаційних двигунів, — і заявляє про потенціал досягти 50 000-кратного прискорення на завданнях із повноцінним складанням вузлів .

Такий стрибок змінює саму філософію проєктування. Якщо раніше інженерна команда могла протестувати лише кілька конфігурацій, то тепер з’являється можливість дослідити тисячі варіантів за той самий час, який раніше витрачався на одну-єдину симуляцію .

На що підуть €6 мільйонів

Залучені кошти в першу чергу спрямують на розширення дослідницької команди та подальший розвиток базових моделей . У довгостроковій перспективі NP Co. прагне створити інструменти для автоматизованого проєктування та операційні симулятори реального часу для промислової інфраструктури . Мета — не просто прискорити звичні процеси, а відкрити абсолютно нові способи розробки складних фізичних систем.

Стратегічне сусідство з Mistral

Інвестиції надійшли в дуже промовистий момент. 19 травня 2026 року — лише за 13 днів до анонсу NP Co. — компанія Mistral AI придбала Emmi AI, австрійський стартап, що створював фізичні моделі для промислових симуляцій . Невдовзі двоє співзасновників самої Mistral особисто проінвестували в паризький стартап, який працює майже в тій самій ніші. Оглядачі охрестили цей список інвесторів «вражаюче іменитим колом однодумців» для маловідомої компанії, яка лише нещодавно провела ребрендинг .

Чи це свідома стратегія хеджування ризиків, чи просто ставка на найсильнішу технічну команду — сигнал очевидний: фізичне моделювання входить в еру базових моделей, і ключові фігури європейського ШІ вже роблять ранні ставки на те, хто стане лідером.