82 亿美元，已经为整个世界模型赛道提供了价值锚点。

    作者丨幸丽娟

    编辑丨岑   峰

                                                                                                       

82亿美元，全股票收购李飞飞创立的 World Labs。
这是 AMD 史上第二大收购，仅次于 2022 年以约 500 亿美元拿下赛灵思。
赛灵思是30多年的老牌芯片公司，而 World Labs，仅仅成立两年。
这一消息发出后，圈内人士的第一反应很一致：苏姿丰在对标英伟达的 Cosmos 和机器人平台，买人、买模型洞察力、买一张通往物理AI时代的入场券。
但苏姿丰不是这笔交易里唯一在下注的人。
李飞飞也在下注。而且她押上的，是自己的下一个二十年。
过去二十年，她反复在做同一件事：在每一个技术拐点，先一步定义“什么是值得做的下一件事”。
但前两次，她只负责出题，把答题的活儿交给别人。而这一次，她把自己按在了答题席上。
图片

01

三次“挖坑”，有何不同？

被誉为“AI 教母”的李飞飞，圈内人对她印象最深的，或许是她最擅长“挖坑”（出题）。过去二十年，她挖的三个最关键的坑：ImageNet、AI 民主化、空间智能。
单独看每一个，都是对 AI 行业走向的一次精准判断。但摆在一起看，她扮演的角色截然不同。

▎第一个“坑”：纯出题，整个深度学习社区答题

2007年前后，李飞飞在普林斯顿做助理教授。计算机视觉领域当时最要命的问题是泛化——算法在实验室里跑得通，出了门就失灵。大多数人选择改进算法，李飞飞选了另一条路：造数据。
这个选择在当时的学术圈几乎没人看好。普林斯顿的资深教授劝她别干，说“太有野心了”；申请联邦经费被反复拒绝，甚至有人批评这个课题是“普林斯顿之耻”。
不仅如此，她还赌上了自己的学术前途。如果ImageNet失败，她很可能拿不到终身教职。
这个数据集不解决任何算法问题。它只提出了一个问题：我们用什么标准衡量视觉智能？
这个问题在当时切中要害。没有足够的数据，一切算法创新都是“沙上筑塔”。
2009年发布时，它在学术界几乎没有激起水花。因为，ImageNet是一个“纯出题”式的坑，得有人愿意填才行。
直到2012年，Hinton、Krizhevsky 团队的 AlexNet 横扫 ImageNet 挑战赛，深度学习革命才被点燃。将AI带向复兴的深度学习时代，引爆点是AlexNet。
李飞飞成功定义了AI行业的底层基建。但她只是“命题人”，无论 ImageNet 多么荣耀，填坑的人是拿图灵奖的Hinton、是吃到了第一波红利的 Krizhevsky 和整个深度学习社区。

▎第二个“坑”：AI民主化，她想答题，但考卷却不是自己的

2016 年底，李飞飞用学术休假的方式加入 Google，担任谷歌云首席科学家。
这一次她挖的这个坑，叫“AI 民主化”。让 AI 不再只是大公司的专利，成为中小企业、传统行业、学术研究者都能用得上的工具。
2017 年 3 月，她在 Google Cloud Next 大会上宣布收购 Kaggle；同年 AutoML 推向市场，Contact Center AI 进入 alpha 测试，谷歌 AI 中国中心在北京成立。
产品线在铺开，方向没有错。但填坑的方式出了问题。
因为填坑需要三种权力：对产品商业化路径的决策权、对客户合同走向的谈判权、对内部舆论的控制权。
但李飞飞在Google Cloud的位置是首席科学家，她能影响研究方向，却影响不了这台商业机器怎么运转。
真正让这个坑塌掉的，是“Project Maven”。谷歌参为该项目提供技术服务的消息曝光后，内部抗议迅速发酵。
而李飞飞在内部讨论邮件中强调的那句“不惜一切代价，避免任何提及或暗示 AI”，被员工解读为替公司遮掩与军方合作，她因此被推到了舆论的风口浪尖。
一个以“AI 民主化”为旗帜进入Google Cloud的人，最终被一场 AI 伦理舆论风暴，推离了那个位置。
而在Google Cloud的600多天时间里，她出了这道“AI 民主化”的题，也想答题，但考卷的命题人、监考人、收卷人，都不是她。
科学家的专业影响力，代替不了商业和底层的决策权。定义一个方向，和让这个方向真正落地，从来就是两件完全不同的事。

▎第三个“坑”：把自己按在了答题席上

2024 年 4 月，李飞飞联合斯坦福视觉研究者 Justin Johnson、NeRF 论文一作 Ben Mildenhall、NeRF 后续工作研究者 Christoph Lassner，创立 World Labs，正式下海创业。
这次的命题，是她在无数公开演讲里重复过一句话：宇宙不是由文字构成的，而是由真实事物构成的。LLM 再强大，也活在二维屏幕里：它不懂遮挡、不懂重力、不懂一个杯子从桌上掉下去会碎。“空间智能”，是 AI 的下一个前沿。
这是她的第三次“挖坑”，但跟前两次不同的是：她不再只是出题的人。
在正式答题之前，先得有人，有弹药。
World Labs的创始团队本身就是一张王牌。Justin Johnson是斯坦福视觉与学习实验室的研究者，在图像描述、视觉推理和生成模型方向有长期积累；Ben Mildenhall是NeRF论文一作，那篇论文重新定义了三维场景重建的技术路线；Christoph Lassner是NeRF后续工作的核心研究者之一。四个人搭出一个从三维重建到生成模型的完整技术班底。
学术顾问团队同样重磅：斯坦福助理教授、清华姚班出身的吴佳俊，研究方向是物理场景理解；加州大学伯克利分校教授、马来西亚华裔的吴义仁，研究三维视觉。
弹药方面，公司成立当月便完成种子轮融资，a16z 和 Radical Ventures 领投，估值约 2 亿美元；2026 年 2 月 18 日，完成 10 亿美元 C 轮融资，Autodesk 领投，AMD、英伟达、Emerson Collective、富达等参投，投后估值约 54 亿美元。
估值从2亿到54亿美元，不到两年。融到的钱，作用也很明确：空间智能的训练成本远高于文本模型，需要大规模算力、长时间训练和多产品线并行推进，没有足够的弹药，这个坑填不动。
在储备弹药的同时，产品线也在推进。
  • 2024 年 12 月，首款模型LWM（大型世界模型）发布，能从单张图片生成可交互的 3D 世界。
  • 2025 年 11 月，首款商用产品 Marble 上线，支持从文本、图片、视频、3D 布局生成可探索、可编辑的 3D 场景。
  • 2026 年 7 月，收购机器人仿真公司 SceniX，把世界模型接进机器人强化学习闭环。
  • 2026 年 9 月 2 日，多模态世界模型 Atlas 发布，这个多模态世界模型，支持像素级相机控制、稀疏视角 3D 重建、机器人预训练。
每一步，都是把“世界模型”从演示品变成工程品。每一步，对算力的需求形态都不一样：从单张 H100 上的实时推理，到多模态自回归扩散 Transformer 的大规模训练，再到机器人仿真对内存带宽、并行计算、低延迟推理的硬需求。
融资在加码，产品在推进，然而日渐清晰的一个问题是：世界模型的研发越往前走，越不像一个纯粹的软件问题。
李飞飞在多个场合坦言过空间智能对算力的特殊要求：模型需要理解三维结构和运动，理解物理规律，需要非常大的内存、大量并行计算和快速推理。
Atlas从1到数十张照片重建三维场景，生成最长1分钟、1440p分辨率的视频，这些任务涉及大量几何计算和稀疏重建，通用GPU架构在做这类任务时效率并不理想。
李飞飞选择跟 AMD 走得更近。
2026年1月，苏姿丰把李飞飞请上CES主题演讲舞台。李飞飞当场展示了Marble在AMD MI325X上优化后提速4倍以上的成绩，并透露“已经等不及看它在MI450上继续进步”。
然而，当模型团队和芯片团队坐在同一张牌桌，用真实的训练负载“对话”时，一个结构性矛盾暴露出来：World Labs 仍然在“提需求”的那一侧，AMD 在“满足需求”的那一侧。
需求方和供给方之间，还隔着议价、优先级排序和跨公司协作的层层博弈。需求一旦被博弈稀释，模型团队最想要的东西，未必是芯片团队最优先要做的东西。
这个时候，李飞飞应该已经意识到，要把空间智能这道题的答案真正落地，这件事迟早得解决。关键是，怎么解决？
图片

02

更高维的解法：切入硬件话语权

2026年9月28日，AMD宣布以约82亿美元全股票收购World Labs。交易完成后，李飞飞出任AMD执行副总裁兼首席科学家，直接向苏姿丰汇报。
这次收购，表面上是 AMD 向物理 AI 补课。
但如果只看到这个层面，就低估了李飞飞自己的谋局。
这笔交易里，World Labs 的 70 人团队不是被吞并，而是以相对独立的研究单元并入 AMD。李飞飞本人直接向苏姿丰汇报 ，Justin Johnson和Ben Mildenhall继续带队负责模型研发。
她不是去做一个被汇报链稀释的副总裁，而是带着模型团队直接对接芯片路线图。
李飞飞在公开信《To Seek a Newer World》中提到这个决策背后最关键的原因：“我们需要扩大研究规模和影响范围，并更紧密地与硬件结合。如果缺少专门的硬件研发投入，AI的效率和规模都会受到限制。对于我们想要实现的目标而言，它也仍将被困在数字世界中。”
苏姿丰把这件事，也解释得很明白：“为下一代 AI 构建计算平台，需要深入理解模型如何演进。李飞飞和 World Labs 团队带来了研究领导力和模型专长，携手合作，我们可以利用这些洞察来开发将驱动下一代 AI 的硬件、软件和系统。”
翻译过来就一件事：从这一天起，World Labs 的模型不再只是向 AMD 提需求的客户，而是坐到了写需求的那一侧。
这不仅仅是叙事的修辞，更是李飞飞对硬件话语权的一次切入。
她过去定义的是“什么问题是重要的”。这一次，她要定义的是“解决这个问题的工具长什么样”。而“更靠近硬件”，就是她给出的一个非常关键的答案。
但更靠近硬件不是终点。下一步要考虑的，是如何验证这条路走不走得通。
图片原文：https://www.leiphone.com/category/academic/oi5NEt93WcuWwFr8.html
我的收藏