XXTX小薛同学的小站 XXTX小薛同学的小站成为自己的太阳,无需凭借谁的光

大家好,我是你们的老朋友。今天咱们来聊一个科技圈最近彻底炸锅的重磅大事件。

如果你一直关注AI和芯片圈的动向,最近肯定被一条新闻刷屏了:AMD豪掷82亿美元(约合人民币547亿元),把“AI教母”李飞飞创办的顶尖AI实验室World Labs给全资收购了。交易完成后,李飞飞将出任AMD执行副总裁兼首席科学家,直接向“苏妈”苏姿丰汇报。这可不是简单的“高薪挖人”,这是直接把全球最顶尖的空间智能学术团队连锅端。

就在11月12日的CoRL 2026(机器人学习顶会)上,李飞飞和苏姿丰迎来了收购后的首次公开同台。李飞飞在台上详细拆解了World Labs的最新大招——统一世界模型Atlas,而苏妈则在圆桌对话中交底了AMD在物理AI和机器人领域的庞大野心。很多人可能会问:AMD花547亿到底买了个啥?这个叫Atlas的世界模型,凭什么能让苏妈如此看重,甚至亲自站台?在英伟达一家独大、CUDA生态坚如磐石的今天,AMD这步棋,真的能帮它撕开老黄的防线吗?

今天,我们就来深度扒一扒这场价值547亿的“炉边对话”,从技术底层到产业逻辑,看看物理AI的下一场血雨腥风,到底是怎么打的。

547亿“买”来什么?Atlas世界模型的三大“神技”

要理解AMD这547亿花得值不值,我们首先得搞清楚Atlas到底是个什么级别的怪物。在演讲中,李飞飞将Atlas定义为“一个用于生成与重建的统一世界模型”。听起来有点抽象,我们不妨回顾一下计算机视觉领域的发展史。

过去几十年,科学家们一直在死磕两个方向:一个是“三维重建”,从经典的《Building Rome in a Day》到后来的NeRF(神经辐射场),核心目的是根据多张不同角度的照片,还原出真实的3D场景。但传统方法的痛点很明显:你需要大量带有精确相机位姿的图像,如果视角覆盖不足,重建出来的模型就会充满空洞和不确定性。另一个方向是“生成式AI”,扩散模型虽然能生成极其逼真的图像,但在多视角生成时,往往难以维持空间一致性,且每次去噪只能针对固定视角,计算成本极其高昂,根本做不到实时。

Atlas的破局之处在于,它试图用一个模型架构、一套训练配方,把“生成”与“重建”统一在同一个屋檐下。它采用了多模态自回归扩散Transformer架构,核心逻辑是通过相机条件控制来预测下一个视角。具体来说,Atlas拥有三大“神技”模式:

  • 多图输入做稠密重建: 当你给Atlas输入大量多角度的图像时,它能进行极高保真度的稠密三维重建,完美恢复场景的几何细节。这就好比你给足了各个角度的照片,它能给你捏出一个毫无死角的3D手办。
  • 零像素条件做纯生成: 这是最让人惊叹的一点。在没有任何图像输入、只有文本提示词的情况下,Atlas能够直接生成具有空间一致性的多帧虚拟场景。它不是在“画”一张平面图,而是在“脑补”并构建一个你可以走进去的3D空间。
  • 少量视图做稀疏重建: 在极端情况下,哪怕你只给Atlas一张照片,它也能自动估计相机位姿,并生成尽可能多的新视角,从而重建并生成一个完整的世界。这相当于只看了一张侧脸,就能精准还原出整个人的3D模型。

更可怕的是它的效率。李飞飞在现场透露,Atlas经过模型蒸馏后,已经能够以每秒15帧的速度运行。在Rapidata相机运动基准测试中,Atlas更是直接拿下了第一名。这意味着,Atlas不再是一个只能停留在实验室里跑批处理的“玩具”,它已经具备了在真实机器人系统中进行实时推理和交互的能力。

从“橱柜模型”到“物理AI”,李飞飞的野心与苏妈的底牌

既然Atlas这么强,那它到底能用来干嘛?李飞飞在演讲开篇就点明了核心:机器人。无论机器人技术怎么演进,无论是策略学习还是智能体,机器人要解决的根本问题只有一个:给定世界当前的状态、任务目标以及机器人本身,在每一个时刻,机器人下一步应该做什么?

为了解决这个问题,机器人必须跨越三大核心挑战,而这恰好对应了世界模型的三大能力:

  1. 理解和表征环境(对应渲染): 机器人必须知道自己在哪、周围有什么。是隐式表征还是显式表征可以讨论,但“理解”本身是前提。
  2. 预测动作后果并规划(对应规划): 机器人需要预判“如果我伸出机械臂,会发生什么?”这需要对物理世界的因果律有深刻的认知。
  3. 通过仿真补充数据(对应仿真): 真实世界的数据是极其稀缺且充满长尾分布的。机器人要想成功部署,必须在仿真环境中生成海量的不同状态和场景,用来训练和评估模型。

李飞飞指出,Atlas目前正在测试其在机器人仿真中的实际价值。它不仅可以生成和重建三维环境,还可以用于机器人训练和导航。最激动人心的是,Atlas打通了真实世界与仿真世界的连接,机器人可以完全在虚拟仿真环境中训练,再以“零样本”(Zero-shot)的方式直接部署到真实世界。这直接击中了具身智能领域最大的痛点——Sim2Real(仿真到现实)的鸿沟。

面对李飞飞的宏大愿景,苏姿丰也亮出了AMD的底牌。苏妈明确表示,物理AI尤其是机器人,是未来几年数千亿美元的巨大机会。她透露,AMD目前已经拥有一支规模相当不错的物理AI和机器人研究团队,虽然还处于早期阶段,但AMD在嵌入式FPGA、处理器和AI引擎等硬件层面的积累,已经能够支持部分工业机器人的控制需求。

苏妈的逻辑非常清晰:未来的机器人需要实时完成感知、推理和行动,面临严格的功耗和延迟限制。解决这些问题不能单纯靠堆芯片性能,而是需要统筹计算、内存、软件和系统设计。World Labs的加入,正是为了补齐AMD在“软件与系统协同”上的关键拼图。

算力焦虑与路线之争:通用大模型还是专用小模型?

在圆桌对话中,两人不约而同地谈到了一个核心命题:算力。李飞飞提出了一个极具哲学意味的观点:“AI就是计算,计算就是AI。”无论世界模型还是语言模型,其发展都与计算能力密不可分。

李飞飞敏锐地指出,机器人将推动计算能力进入下一个发展阶段。过去,机器人由于需要与复杂的物理世界交互,技术进展缓慢。但现在,随着AI的突破,机器人不仅将大规模推动云端模型训练算力的需求,更将引爆边缘端算力的需求。苏姿丰对此深表认同,她强调未来的计算需求将覆盖云端、企业内部、边缘设备及现实物理环境等多个层面。

这就引出了业界争论已久的路线之争:未来的机器人,究竟应该采用通用的基础大模型,还是针对不同任务开发专用的“小模型”?

李飞飞认为,目前仍不能断言某一种技术路线将最终胜出。大语言模型和视觉语言模型驱动的机器人将发挥重要作用,但机器人系统层面仍存在大量未解之谜。苏姿丰也明确表示,不存在能够解决所有应用问题的单一模型。在部分场景中,前沿大模型具有明显优势;但在其他对延迟和功耗要求极高的场景中,经过针对性优化的专用模型可能更加有效。

两人的共识是:不同规模、不同类型的模型,必须与相应的计算系统协同发展。这正是AMD“全栈计算”战略的切入点。

此外,两位大佬还共同呼吁为公共部门研究者提供更多算力。李飞飞坦言,大学和非营利组织是基础研究和早期创新的重要来源,但目前正面临严重的计算资源短缺。苏姿丰也承诺,AMD正在建设规模庞大的计算能力,应当将部分资源用于长期研究,帮助大学和下一代创新者获得所需算力。这番对话,折射出学术界在AI时代的深深焦虑,也指明了未来产学研合作的新方向。

巨头“扫货”图鉴:AMD买李飞飞,英伟达买Hugging Face?

如果我们把视角从CoRL 2026的会场拉高,俯瞰整个2026年的科技产业,会发现一个令人震惊的趋势:芯片巨头们正在疯狂“扫货”AI模型和顶尖实验室。

就在AMD宣布82亿美元收购World Labs的同时,行业内另一则猛料也在发酵:英伟达被传出以129亿美元的天价收购了全球最大的AI开源社区Hugging Face。无论这些交易的最终细节如何,它们都释放了一个强烈的信号:在2026年,把“买模型/买实验室”变成主线,已经成为芯片巨头的共识。

为什么这些财大气粗的芯片公司,不自己从头写代码,而是要花几百亿去买模型?

英伟达的逻辑是“生态巩固”。 英伟达通过收购Hugging Face这样的模型社区,可以进一步将全球最活跃的AI开发者绑定在NVIDIA的生态战车上。结合其早已布局的Omniverse物理仿真平台和Isaac机器人框架,英伟达正在打造一个从云端训练、模型分发到边缘部署的无死角闭环。它的目的,是让所有开发者都离不开CUDA。

AMD的逻辑则是“以软带硬的差异化逆袭”。 在数据中心通用GPU市场,AMD的MI300系列虽然在性能上奋力追赶,但英伟达的生态壁垒依然难以撼动。AMD选择从“物理AI”和“机器人”这个垂直且高增长的增量市场切入。通过收购World Labs,AMD直接获得了全球顶尖的空间智能和世界模型能力。Atlas模型就像是一个强大的“诱饵”和“粘合剂”,AMD可以用它来带动自家的GPU、FPGA和边缘计算硬件的销售。这种“用顶尖软件定义硬件需求”的策略,是AMD撕开英伟达防线的一把尖刀。

未来的竞争,早已不是单颗芯片TFLOPS(每秒万亿次浮点运算)的枯燥对比,而是“芯片+模型+开发工具+物理仿真”的系统级生态对抗。

我的看法:物理AI的“iPhone时刻”,AMD能靠Atlas逆袭吗?

看完这场价值547亿的同台交底,我有几个非常深刻的观点,想和大家分享:

第一,Atlas标志着世界模型正式从“数字玩具”走向“物理工具”。 过去几年,我们看了太多Sora生成的震撼视频,但那些终究只是像素的排列组合。而Atlas的15帧/秒推理速度和零样本部署能力,意味着具身智能的“Sim2Real”鸿沟正在被真正填平。当机器人能够在虚拟世界中通过Atlas进行千万次的试错训练,然后直接“下载”到现实世界的躯体中开始干活时,物理AI的“iPhone时刻”可能比我们想象的来得更快。

第二,AMD的“以软带硬”战略非常精明,但也充满挑战。 在通用算力市场硬刚英伟达是极其痛苦的,AMD选择机器人和边缘计算作为突破口,用World Labs的顶尖模型能力去赋能下游硬件,这是一步妙棋。但挑战在于,硬件的迭代周期远长于软件,AMD的嵌入式芯片和FPGA能否完美匹配Atlas这种庞大模型的边缘推理需求?这需要极强的底层软硬协同优化能力,而这正是苏妈接下来要解决的硬骨头。

第三,云端大模型与边缘专用模型的“云边协同”将是终局形态。 正如李飞飞和苏妈所言,未来的机器人系统一定是“大脑+小脑”的结合。云端的大模型负责常识理解、任务拆解和宏观规划;而边缘端的专用模型(运行在AMD的FPGA或AI引擎上)负责毫秒级的实时控制和反射。AMD恰好拥有从云端Instinct到边缘嵌入式的全栈产品线,如果整合得当,其竞争力不容小觑。

第四,对公共算力的呼吁,揭示了AI发展的隐忧。 如果最顶尖的算力和模型都被少数巨头垄断,基础科学的创新将不可避免地走向枯竭。AMD和英伟达们需要真正履行承诺,把算力反哺给学术界。否则,物理AI的底层理论突破将成为无源之水,巨头们最终也会陷入“无人可用、无新可创”的内卷泥潭。

547亿,买下的不仅是一个模型,更是通往物理AI时代的一张头等舱船票。李飞飞与苏姿丰的这次同台,只是一个开始。属于物理AI的大航海时代,已经鸣笛起航。而我们,都将是这场伟大变革的见证者。

相关阅读

参考资料

你的评论