AMD 82亿收购World Labs：世界模型与空间智能的技术栈拆解

1. 这笔交易到底在买什么

先把事实摆清楚。AMD 以约 82 亿美元的价格收购了 World Labs，而 World Labs 的联合创始人正是李飞飞。消息出来之后，我身边做芯片的、做大模型的两拨人反应完全不一样：做芯片的第一反应是"AMD 疯了吧，82 亿买一个做世界模型的团队"，做大模型的第一反应是"李飞飞终于把学术影响力变现了"。

这两种反应其实都偏了。这笔交易的核心既不是买芯片产能，也不是买一个已经跑通商业闭环的产品，而是买"空间智能"这条技术路线的入场券。World Labs 从成立之初就在做一件事：让模型理解三维空间、理解物理规律、理解物体之间的空间关系，而不只是理解文字和二维图像。这个方向业内叫"世界模型"，也有人叫"空间智能"。

为什么 AMD 要花这个钱？因为过去两年整个行业的注意力都在大语言模型上，但大语言模型有个天花板——它能告诉你"杯子掉地上会碎"，但它没法真正模拟杯子掉地上那一瞬间的受力、形变、碎片飞溅轨迹。而世界模型要做的恰恰是这个：在模型内部构建一个可推演、可交互、符合物理规律的三维世界。

这件事对 AMD 的意义在于，它把 AMD 从"卖算力的"变成了"卖算力加卖世界模拟能力的"。芯片还是那些芯片，但上面跑的东西变了。以前客户买 MI300 是为了训大语言模型，以后客户买 AMD 的卡可能是为了跑世界模型做机器人训练、做自动驾驶仿真、做游戏资产生成。这才是 82 亿真正想买的东西。

我个人的判断是，这笔交易短期内不会改变 AMD 的财报结构，芯片依然是营收主力。但它改变了 AMD 在下一轮技术周期里的站位。如果世界模型真的成为继大语言模型之后的下一个主战场，那 AMD 现在花的这 82 亿，买的是未来五到十年的门票。

1.1 世界模型和普通大模型的本质区别

很多人把世界模型理解成"更高级的大模型"，这个理解不准确。我用一个生活化的类比来说明。

普通大语言模型像一个博闻强识的图书管理员。你问它任何问题，它都能从读过的书里给你拼出一个像样的答案。但它没有"身体"，它不知道重力是什么感觉，不知道把一个杯子推到桌子边缘需要多大的力，不知道两个物体碰撞之后会往哪个方向弹。

世界模型更像一个在沙盘里玩过无数次推演的老兵。它不只是"知道"物理规律，它能在内部把整个场景跑一遍。你给它一个三维场景，它能告诉你如果我把这个箱子往左推，三秒后会发生什么。

这个区别在技术实现上体现得非常明显。大语言模型的核心是注意力机制加海量文本，世界模型的核心是三维表征加物理仿真加可微分渲染。前者处理的是离散的 token 序列，后者处理的是连续的空间状态。这两条路线的技术栈重合度其实没有想象中那么高。

World Labs 的技术路线，根据公开信息和我自己的理解，大致是三条腿走路：一是三维场景的神经表征，把真实世界或者虚拟场景压缩成一个模型能理解的内部表示；二是物理规律的隐式学习，让模型从大量交互数据里自己总结出"什么东西会掉、什么东西会弹、什么东西会碎"；三是可交互的生成，不只是生成一张图或者一段视频，而是生成一个你可以走进去、可以操作、可以改变状态的动态世界。

这三条腿里，第三条是最难的，也是最有商业价值的。因为一旦模型能生成可交互的三维世界，那机器人训练、自动驾驶仿真、游戏开发、工业数字孪生这些场景全部被打开。

1.2 AMD 的算力生意为什么需要世界模型

这里要讲一个很多人忽略的逻辑：算力需求不是凭空产生的，它是被应用场景拉动的。

过去两年 AMD 在数据中心 GPU 上的增长，很大程度上是靠大语言模型的训练和推理需求拉动的。但大语言模型的算力需求有一个特点：训练是一次性的巨额投入，推理是持续但相对平稳的支出。而且随着模型架构优化、量化技术成熟、推理芯片专用化，单位 token 的推理成本在快速下降。

这意味着什么？意味着如果 AMD 只做大语言模型的算力生意，它的增长曲线迟早会碰到天花板。它需要一个新的、算力消耗更大的应用场景来接棒。

世界模型恰好就是这样一个场景。原因很简单：三维空间的表征和推演，计算量比文本大几个数量级。一段文字可能几百个 token，但一个三维场景可能有几百万个空间点，每个点都要参与物理推演和渲染。而且世界模型需要的是"交互式推演"，不是"一次性生成"，这意味着算力消耗是持续的、实时的。

我打个比方：大语言模型像是你请了一个写手帮你写文章，写完了就完了。世界模型像是你请了一个陪练陪你打球，每一秒都在消耗算力。后者的算力粘性远高于前者。

AMD 买 World Labs，本质上是在为它的算力生意找一个"高粘性、高消耗"的新场景。芯片还是卖芯片，但卖芯片的理由变了。

1.3 这笔交易对普通开发者的实际影响

说了这么多宏观的，回到普通开发者最关心的问题：这跟我有什么关系？

短期看，关系不大。World Labs 的技术不会马上开源，AMD 的芯片也不会因为这笔收购就降价。但中期看，有几个变化值得关注。

第一，AMD 的软件栈会加速向三维和物理仿真方向倾斜。ROCm 生态一直被人诟病不如 CUDA 成熟，但如果 AMD 把世界模型作为差异化方向，它可能会在 ROCm 里加入更多针对三维渲染、物理仿真、神经辐射场的优化库。这对做图形、做仿真、做机器人的开发者是利好。

第二，世界模型的工具链会逐渐标准化。现在做世界模型的公司各搞各的，没有统一的数据格式、没有统一的评估指标、没有统一的部署方案。AMD 这种体量的公司进来之后，会推动一些标准落地。这对整个行业是好事。

第三，也是最实际的，如果你现在在做机器人、自动驾驶、三维生成、数字孪生这些方向，你未来可能会多一个算力选择。以前这些场景基本被某一家生态垄断，现在 AMD 有了自己的世界模型团队，它会有动力去优化这些场景在自家芯片上的表现。

2. 世界模型的技术栈拆解

要理解这笔交易的价值，得先搞清楚世界模型到底是怎么做出来的。我把整个技术栈拆成四层来讲，从下到上分别是：算力层、表征层、推演层、交互层。

2.1 算力层：为什么世界模型比大模型更吃硬件

先算一笔账。训练一个千亿参数的大语言模型，大概需要几千张高端 GPU 跑几个月。这个算力需求已经很大了，但它是一次性的。

世界模型的算力需求不一样。我拿一个具体的场景举例：训练一个能在虚拟房间里推演物体运动的模型。你需要生成大量的三维场景，每个场景里有很多物体，每个物体有位置、姿态、材质、质量这些属性。然后你要模拟这些物体在各种力的作用下的运动，生成海量的交互数据。

这个过程的数据量是什么级别？一个简单的场景，假设有 50 个物体，每个物体每秒的状态变化记录 100 次，一次记录包含位置、旋转、速度这些信息，大概几百个字节。跑一个小时的仿真，就是 50 乘以 100 乘以 3600 再乘以几百字节，大概是几十 GB 的数据。而你要训练一个泛化能力好的模型，需要几百万甚至上千万个这样的场景。

这还只是数据生成阶段。训练阶段更狠，因为世界模型的输入是三维的，网络结构里有很多三维卷积、点云处理、神经渲染的模块，这些模块的计算密度远高于普通的 Transformer。

所以世界模型对硬件的需求，不只是"算力大"，而是"算力大加内存带宽高加互联速度快"。这三个指标恰好是 AMD 在 MI 系列上重点发力的方向。AMD 买 World Labs，某种程度上也是在给自己的硬件找一个能充分发挥其架构优势的软件场景。

2.2 表征层：怎么把一个三维世界塞进模型里

这是世界模型最核心的技术难点。你没法直接把一个三维场景"喂"给神经网络，你得先把它变成一种模型能处理的表示形式。

目前主流的有几种路线。第一种是体素表示，把空间切成一个个小方块，每个方块记录它是不是被占据、是什么材质。这种表示直观，但分辨率一高，数据量就爆炸。第二种是点云表示，用一堆三维点来描述场景。这种表示灵活，但点之间没有连接关系，模型很难理解拓扑结构。第三种是神经辐射场，用一个神经网络来隐式地表示场景，你给它一个坐标和方向，它告诉你那个位置是什么颜色、什么密度。

World Labs 的技术路线，根据李飞飞团队之前的学术工作，我推测是偏向第三种加第一种的混合方案。用神经辐射场做高保真的外观表示，用体素或者隐式场做几何和物理属性的表示。这样做的好处是既能渲染出好看的结果，又能支持物理推演。

这里有个关键的技术选择：是用显式的三维表示，还是用隐式的神经网络表示。显式表示的好处是可解释、可编辑、物理仿真直接在上面跑就行。坏处是数据量大、泛化能力差。隐式表示的好处是紧凑、泛化好。坏处是物理规律不好直接嵌入，得靠模型自己学。

我个人的经验是，纯隐式路线在视觉生成上很漂亮，但一到物理交互就露馅。因为物理规律是刚性的，你没法靠"学"来保证一个杯子掉地上一定碎。所以真正能落地的世界模型，大概率是显式和隐式混合的架构。

2.3 推演层：让模型理解"接下来会发生什么"

表征解决了"世界长什么样"的问题，推演解决的是"世界接下来会变成什么样"的问题。

这一层的核心技术是"条件生成加物理约束"。模型要根据当前的状态和施加的动作，预测下一时刻的状态。听起来简单，做起来极难。因为三维世界的状态空间是连续的、高维的，而且物理规律是非线性的。

我举个具体的例子。你让模型预测一个球从斜坡上滚下来的轨迹。如果只靠数据驱动，模型可能会学到一个"球会往下滚"的粗略规律，但它很难精确预测球在每一时刻的位置和速度。因为这里面涉及重力、摩擦力、空气阻力、斜坡材质、球的材质，任何一个因素变了，轨迹就变了。

所以推演层通常需要引入物理引擎作为先验。不是让模型从零学物理，而是让模型学"物理引擎的残差"。物理引擎负责给出一个粗略的、符合基本规律的预测，模型负责修正那些物理引擎搞不定的细节，比如形变、破碎、流体。

这个思路在工程上非常实用。我试过纯数据驱动的方法做物体掉落预测，训练数据里没见过的物体，预测结果惨不忍睹。后来改成物理引擎加神经网络修正，泛化能力立刻上了一个台阶。

2.4 交互层：从"看"到"动手"的跨越

交互层是世界模型区别于视频生成模型的关键。视频生成模型是你给它一段文字，它给你一段视频，你只能看。世界模型是你给它一个动作，它给你一个反馈，你可以一直交互下去。

这一层在技术上涉及几个问题。第一是实时性，你做一个动作，模型得在几十毫秒内给出反馈，不然交互体验就崩了。第二是一致性，你来回走几遍，同一个场景得长得一样，不能每次生成都变样。第三是可编辑性，你得能往场景里加东西、删东西、改东西。

实时性对硬件的要求极高。因为每一次交互都要跑一遍完整的表征加推演加渲染管线。这也是为什么我说世界模型是算力消耗大户。一个用户玩一个小时的交互式世界模型，消耗的算力可能比生成几千张图还多。

一致性靠的是场景的持久化表示。模型不能每次交互都重新生成整个场景，它得维护一个场景状态，每次只更新变化的部分。这个思路在游戏引擎里很成熟，但搬到神经网络里就不一样了，因为神经网络的表示是分布式的，你很难只更新"一部分"。

可编辑性是最难的，也是商业价值最大的。因为一旦场景可编辑，那它就能被用到设计、仿真、训练这些场景里。你可以在世界模型里搭一个厨房，然后让机器人在里面学做饭。你可以搭一条街道，然后让自动驾驶模型在里面跑。这些场景的价值远超"生成一段好看的视频"。

3. 从芯片视角看这笔交易的战略逻辑

站在 AMD 的角度，这笔交易的逻辑链条其实很清晰。我把它拆成三步来看。

3.1 第一步：算力商品化之后的差异化焦虑

GPU 算力正在商品化。这话听起来有点反直觉，毕竟现在高端 GPU 还供不应求。但从技术趋势看，算力本身正在变成一种标准品。英伟达的护城河从来不是芯片本身，而是 CUDA 生态。AMD 的芯片在纸面参数上并不差，差的是软件生态和开发者习惯。

那怎么破局？一条路是硬刚 CUDA，把 ROCm 做得跟 CUDA 一样好用。这条路 AMD 走了很多年，进展有，但很慢。另一条路是找一个 CUDA 还没那么强的新场景，提前卡位。世界模型就是这样一个场景。

因为世界模型的技术栈和大语言模型重合度不高，CUDA 在这个领域的积累没有像大语言模型那么深。AMD 如果能在世界模型这个方向上做出差异化的软件栈，它就有机会在一个新战场上和英伟达站在同一起跑线。

3.2 第二步：从卖硬件到卖"世界模拟能力"

这笔交易之后，AMD 的叙事变了。以前它说"我的芯片跑大模型很快"，现在它可以说"我的芯片加上我的世界模型技术，能帮你构建可交互的三维世界"。

这个叙事对两类客户特别有吸引力。一类是做机器人的，他们需要大量的仿真环境来训练机器人。另一类是做自动驾驶的，他们需要逼真的虚拟场景来测试和训练算法。这两类客户的特点是：算力需求大、粘性高、愿意为整体解决方案付费，而不是只买裸芯片。

我认识几个做机器人训练的朋友，他们现在最大的痛点就是仿真环境不够真、不够快。用传统的物理引擎，渲染质量差，跟真实世界差距大。用神经渲染，好看但物理不对。如果 AMD 能提供一个既有神经渲染质量、又有物理正确性的世界模型方案，再加上它自己的芯片，这个组合是很有竞争力的。

3.3 第三步：人才和知识产权的双重收割

82 亿美元买的不只是技术，还有人和专利。李飞飞团队的学术影响力、World Labs 积累的专利、以及整个团队在三维视觉和空间智能上的 know-how，这些都是钱买不到的东西。

而且这笔收购还有一个隐性价值：它向整个行业释放了一个信号，AMD 是认真要做 AI 软件和算法的，不只是卖芯片的。这个信号对吸引人才很重要。顶尖的 AI 研究者不会去一个只卖硬件的公司，但他们会考虑一个既有硬件又有前沿算法团队的公司。

4. 实操视角：如果你想跟进世界模型方向

说了这么多战略层面的东西，回到实操。如果你是一个开发者或者研究者，想跟进世界模型这个方向，我分享一些自己的经验和踩过的坑。

4.1 入门路径和工具选择

第一步不是去训模型，而是去玩现成的工具。我建议从这几个东西入手。

Blender 加 Python 脚本，用来生成三维场景和交互数据。Blender 的好处是免费、社区大、Python API 成熟。你可以用脚本批量生成各种场景，导出成模型能用的格式。

PyBullet 或者 MuJoCo，用来做物理仿真。这两个都是成熟的物理引擎，PyBullet 更轻量，MuJoCo 在接触力学上更准。我个人的习惯是用 PyBullet 做快速原型，用 MuJoCo 做精细仿真。

PyTorch3D 或者 Kaolin，用来做三维深度学习。PyTorch3D 是 Meta 出的，功能全但有点重。Kaolin 是英伟达出的，跟它的生态结合紧密。如果你用 AMD 的卡，可能得自己折腾一下兼容性，这是现实。

神经辐射场的实现，推荐从 nerfstudio 入手。它把各种 NeRF 变体都封装好了，你改改配置就能跑。我一开始自己从论文复现，踩了一堆坑，后来发现 nerfstudio 已经把这些坑都填了。

4.2 数据生成的实操要点

世界模型训练最耗时的不是训练本身，是数据生成。我在这上面浪费过很多时间，总结几个要点。

场景的多样性比数量重要。你生成一万个长得差不多的房间，不如生成一千个风格迥异的场景。模型需要看到足够多的变化，才能学到泛化的物理规律。

物理参数的随机化要合理。你不能随便设重力加速度，得在合理范围内随机。我试过把重力设成地球的十分之一，模型学出来的物理规律在正常重力下完全不能用。

渲染质量要跟训练目标匹配。如果你只是训练物理推演，低质量的渲染就够了，省时间。如果你要训练外观生成，那就得高质量渲染。我一开始什么都用高质量渲染，结果数据生成慢得要死，后来分阶段处理，效率高了很多。

4.3 训练过程中的常见坑

第一个坑是过拟合到特定物体。模型在训练集里的杯子上表现很好，换一个没见过的杯子就崩了。解决办法是大量使用域随机化，物体的形状、材质、大小都要随机。

第二个坑是物理规律学偏。模型学到的是"统计规律"而不是"物理规律"。比如它发现训练数据里球总是往下滚，就学了一个"球往下滚"的规律，但如果你把场景倒过来，它就不知道球该往上"掉"了。解决办法是引入物理引擎作为约束，或者用数据增强把场景翻转过来训练。

第三个坑是长时推演的误差累积。模型预测一步很准，预测十步就开始飘，预测一百步就完全不能看了。这是所有序列预测模型的通病。解决办法是训练时就用长序列，让模型学会纠正自己的误差。另外可以用物理引擎定期"校正"模型的状态。

4.4 硬件选择的现实考量

如果你真要训世界模型，硬件这块我得说点实在的。

显存是第一瓶颈。三维表征加物理状态，显存消耗比纯文本大得多。我建议至少 24GB 显存起步，48GB 以上会比较舒服。AMD 的卡在显存容量上通常比较大方，这是它的一个优势。

互联带宽是第二瓶颈。世界模型的训练往往需要多卡并行，卡之间的通信量很大。AMD 的 Infinity Fabric 在自家卡之间互联上做得不错，但跨节点的话，还是得看具体的网络配置。

软件生态是第三瓶颈，也是最现实的瓶颈。很多三维深度学习的库对 ROCm 的支持还不完善。如果你选 AMD 的卡，得有折腾的心理准备。我的经验是，先在小规模上验证可行性，确认工具链能跑通，再上大规模。别一上来就买一堆卡，结果发现某个关键库不支持，那就尴尬了。

5. 常见问题速查

我把这段时间被问得最多的问题整理了一下，做成速查表。

提示：世界模型的训练数据生成往往比训练本身更耗时，建议先把数据管线搭好，再考虑模型架构。

注意：物理引擎和神经网络的结合不是简单的叠加，需要仔细设计两者的接口和误差修正机制。

6. 我个人的一些判断

最后说点我自己的看法，不一定对，但都是我真实的想法。

这笔交易短期内的实际产出可能不会太多。大公司收购前沿研究团队，整合期通常要一到两年。World Labs 的技术要真正融入 AMD 的产品线，需要时间。如果你指望明年就能用上 AMD 的世界模型工具链，可能会失望。

但长期看，这个方向是对的。算力生意最终要落到应用场景上，而世界模型是少数几个能持续消耗大量算力、又有明确商业价值的场景之一。AMD 现在卡位，比等到赛道成熟了再进场要好。

对普通开发者来说，我的建议是：不用急着 all in 世界模型，但可以开始关注。如果你现在做的是三维视觉、机器人、仿真这些方向，你其实已经在世界模型的周边了。把这些技能往世界模型的方向靠一靠，成本不高，潜在收益不小。

如果你现在做的是纯大语言模型，想转世界模型，那要做好心理准备，技术栈差别挺大的。文本处理的那套经验，在三维空间里很多都不适用。但反过来，如果你既懂大模型又懂三维，那你就是稀缺人才。

这个方向现在最大的问题不是算力，也不是算法，是数据。高质量的三维交互数据太少了。谁能解决数据问题，谁就能在这个方向上领先。这也是为什么我觉得 World Labs 的价值不只是它的模型，还有它积累的数据和生成数据的方法。

我在实际操作中的体会是，世界模型这个方向，理论很美好，工程很骨感。每一个看起来简单的功能，背后都是一堆琐碎的工程问题。但正是这些工程问题，构成了真正的壁垒。算法可以发论文，工程只能靠时间和踩坑积累。AMD 花 82 亿买的，某种程度上就是这些踩坑积累。