AMD 宣布以约 82 亿美元全股票收购李飞飞创办的 World Labs。按照 AMD 9 月 28 日公布的安排，交易完成后，李飞飞将加入 AMD，担任执行副总裁兼首席科学家，直接向董事长兼 CEO 苏姿丰汇报。
表面上，这是一家芯片公司收购一家 AI 创业公司；放在更长的时间线上看，则是两条走了十多年的路线在此交汇。苏姿丰带着 AMD 从低谷走回 AI 基础设施竞争核心，李飞飞则从图像识别一路推进到空间智能与世界模型。
苏姿丰接手后，AMD 把资源重新押注高性能计算
时间拨回 2014 年，苏姿丰刚接任 AMD CEO。当时的 AMD 仍处在连续多年承压的阶段，外界甚至怀疑这家老牌芯片公司能否等到下一轮机会。
财务数据也反映了那时的处境。2014 年，AMD 营收约 55 亿美元，净亏损 4.03 亿美元；2015 年营收进一步降至 39.9 亿美元，净亏损扩大到 6.6 亿美元。
彼时的竞争格局并不复杂。Intel 在 CPU 市场占据优势，Nvidia 则掌握着 GPU 计算增长带来的机会。资源有限的 AMD 没有继续铺开战线，而是在苏姿丰掌舵后把工程资源重新集中到高性能计算。
2017 年，AMD 发布基于 Zen 架构的 Ryzen 处理器，同时推出面向数据中心的 EPYC 处理器。Zen 成为 AMD 重返高性能计算市场的关键产品线。也在这一年，AMD 营收回升至 53.3 亿美元，并重新实现全年盈利。
此后，EPYC 进入服务器市场，Instinct 系列 GPU 开始承担 AI 和高性能计算任务，AMD 的业务重心也逐渐从个人电脑处理器延伸到数据中心。
到 2025 年，AMD 全年营收达到约 346 亿美元，其中数据中心业务营收约 166 亿美元，同比增长 32%。十多年时间里，这家公司从一度接近被市场边缘化，走到了 AI 基础设施竞争的核心位置。
苏姿丰这条路线的核心很明确：顺着计算需求的变化，让芯片进入更大的计算市场。但芯片设计周期很长，等到某种计算需求已经形成共识再准备硬件，往往已经偏晚。对芯片公司来说，难点不只是追赶已经明确的需求，更在于提前判断下一个计算趋势。
AMD 需要在共识形成之前，看到哪些新任务会先变得重要。这也是此次收购 World Labs 的一层背景。
李飞飞从 ImageNet 出发，让机器先学会“看”
李飞飞与 AI 的联系，最早可以从 ImageNet 说起。2006 年前后，她开始牵头这一项目。
当时，计算机视觉研究的大量精力都放在让机器识别图像中的物体。机器可以判断一张照片里是否有猫，却很难处理更复杂的视觉信息。ImageNet 最终积累了超过 1500 万张图片，覆盖约 2.2 万个类别。
这些图片来自互联网，而分类与标注需要大量人工参与。李飞飞团队当时借助 Amazon Mechanical Turk，把庞大的图片标注工作拆解给全球大量临时工完成。这个由亚马逊推出的众包平台，允许企业将大量细碎任务分发给网络用户，ImageNet 的标注工作正是借助这一机制推进。
这项工作本身极其琐碎，却为后来深度学习的突破打下了不可或缺的基础。2012 年，AlexNet 在 ImageNet 图像识别挑战赛中取得突破性成绩，深度神经网络也开始大规模进入计算机视觉研究中心。
ImageNet 最重要的贡献之一，是让研究者意识到，大规模数据本身可以成为推动机器学习进步的重要力量。此后，机器识别图像的能力快速提升，人脸、物体、场景、文字，都逐渐变成可以被算法处理的视觉信息。
不过，李飞飞的研究没有停留在“机器能看见什么”这一层。她随后把问题继续推进到视觉背后的空间关系。
从图像识别到空间智能，World Labs 的目标是理解三维世界
在一张照片里，视觉系统可以识别出“桌子”；但进入现实世界后，机器面对的问题要复杂得多。它不只要知道这是什么，还要判断桌子在哪里、桌面离机器人有多远、杯子位于桌面的什么位置、机器人往前两步会不会撞到桌角，以及拿起杯子后桌面上其他物体会不会受到影响。
这些问题都涉及空间。
李飞飞后来把研究方向进一步延伸到空间智能。2024 年，她与 Justin Johnson、Rob Fergus、Christoph Lassner 等人共同创办 World Labs，目标是让 AI 建立对三维世界的理解。
按照文中介绍，World Labs 发布的模型已经不再只是根据文字生成二维图片，而是开始支持根据文字或图像生成三维环境，并让这些环境具备可探索、可编辑的特征。
这意味着模型处理的对象也发生了变化。文本模型主要处理词与词的关系，图像模型处理像素与像素的关系；空间智能模型则需要把物体、距离、位置、时间和动作放进同一个系统里处理。
2026 年 7 月，World Labs 又收购了空间智能公司 SceniX，继续向机器人和仿真方向深入。这一路线也愈发清晰：让模型建立一个能够持续理解、预测和模拟现实世界的内部环境。
对机器人而言，这种能力尤其关键。机器人面对一个杯子，识别「这是杯子」只是第一步。它还要知道杯子的空间位置、形状、重量、抓取方式，以及自身动作可能带来的结果。若说 ImageNet 解决的是物体识别，那么 World Labs 试图处理的，则是物体在三维空间中的位置、关系和变化。
世界模型改变的，不只是模型，也包括底层计算对象
文中将大语言模型与世界模型做了对照。前者的主要计算对象是 Token，后者要处理的对象则复杂得多，需要同时面对空间、时间、物体关系和环境变化，还要让模型能够预测动作发生之后的结果。
这类模型既需要大量数据，也需要更重的训练与运行负载。更关键的是，它天然连接着模拟环境、机器人训练、自动驾驶、游戏开发、数字孪生等领域。
一旦模型能够在虚拟世界中预测现实世界的变化，计算机处理的任务也会跟着变化。过去，计算机主要处理人已经定义好的规则；世界模型则尝试让机器自己建立关于现实世界的内部表示，并据此进行预测和决策。
这种变化会传导到底层计算。GPU 需要处理的数据类型、内存容量、训练和运行架构，以及软件栈设计，都会随着模型形态调整。这正是 AMD 眼下最在意的部分：如果一家芯片公司只能依据今天的 AI 需求设计产品，就始终处在追赶需求的位置；如果能更早看到下一类计算任务的要求，就有机会让硬件与软件从一开始就围绕这类任务设计。
从这个角度看，World Labs 提供的并不只是模型本身，也是一扇观察未来计算需求的窗口。
AMD 与 World Labs 从投资走到收购，只过了半年
AMD 与 World Labs 的关系并非突然出现。按照文章披露，今年 2 月，World Labs 完成 10 亿美元融资，AMD 参与其中。这轮融资让 World Labs 的估值达到约 50 亿美元。
双方此前已有技术协作。World Labs 的空间智能模型运行在 AMD Instinct GPU 上，两边团队也在共同优化模型训练和运行。对 AMD 来说，这种合作让它能够直接看到新型模型在真实计算环境中的表现：哪些环节最耗算力，哪些地方容易卡在内存，这些信息比单纯阅读商业计划书更有价值。
AMD 对此次收购给出的理由也很明确：World Labs 的研究能够帮助 AMD 理解新兴 AI 工作负载，并影响下一代硬件、软件和系统设计。
换句话说，AMD 要买下的不只是一个模型团队，它更希望把对下一代 AI 工作负载的理解，直接放进自己的产品设计周期。
世界模型市场尚未成形，AMD 选择提前把研究团队纳入内部
当前 AI 产业已经形成较为清楚的计算需求：训练大模型需要堆大量 GPU，模型运行看重效率，云厂商则持续建设数据中心。这些需求已经可以被量化，也能被芯片公司用来规划产品路线。
世界模型还没有走到这一步。它会先落在机器人、自动驾驶还是游戏，能否形成规模收入，硬件又该如何配合，行业仍在尝试。甚至连世界模型本身的定义也还在变化。
但在原文看来，也正因为市场尚未被定义，芯片公司才有了提前布局的窗口。若等到世界模型成为成熟产业，再去设计对应硬件，竞争可能已经开始。
AMD 选择收购 World Labs，相当于把一支研究下一代计算需求的团队直接放进公司内部。这与传统意义上收购一个 AI 应用不同。应用带来的通常是用户与收入，研究团队的价值则可能体现在几年后的芯片架构、软件栈和计算系统里。
此前，AMD 通过 Zen 重新夺回 CPU 市场，又借助 EPYC 和 Instinct 进入数据中心与 AI 计算。World Labs 所对应的，则是下一轮计算增长究竟会由什么任务驱动。
对 AMD 来说，与其猜，不如把研究下一代计算的人放在自己身边。
原文最后写道，苏姿丰在抬头，寻找下一座计算的山；李飞飞在低头，看见山脚下那个真实的世界。山还没有形成，但已经有人开始为它修阶梯。