AMD拟82亿美元收购李飞飞公司，押注下一代机器人的学习方式

9月28日，AMD宣布拟以约82亿美元的全股票交易收购李飞飞创办的World Labs。交易完成后，李飞飞将出任AMD执行副总裁兼首席科学家。

芯片公司为何要把模型研究团队请进核心层？当AI开始学习如何在现实中行动，算力竞争将越来越取决于机器怎样训练、怎样发现失误，以及学到的能力能否在真实场景中稳定发挥。

AMD想提前参与设计这套训练流程，但同时也面临生态考验。

以下为正文：

9月28日，AMD披露以约82亿美元全股票交易，并购研究世界模型的公司World Labs。尽管交易尚待审批，这次独特的收购已引起芯片业广泛关注。

AMD官网于9月28日公布该消息

站在这笔交易台前的，是AMD董事长兼首席执行官苏姿丰。过去，她主导的收购多关注在补齐芯片产品线和机架级AI系统，这一次，目标却是李飞飞于2024年创办的World Labs。这家公司所研究的世界模型，让AI从图片、文字或视频重建三维场景，进而模拟机器在其中的行动。

若交易完成，李飞飞将出任AMD执行副总裁兼首席科学家，直接向苏姿丰汇报。

本次交易，真正罕见的是买家与标的的关系：一家以造芯片闻名的公司，愿意把一位研究机器如何理解世界的科学家请进决策层。

李飞飞的特别之处，也恰好解释了这种“越界”。她参与建立的ImageNet，曾收集并标注了海量图片，让研究团队能够用统一的数据检验图像识别算法。2012年，借助GPU训练的AlexNet在ImageNet竞赛中大幅领先，让业界看到深度学习处理视觉问题的潜力。2024年，她创办World Labs，开始追问一个更难的问题：机器能否理解三维空间，并预判自己移动或操作物体后会发生什么？从识别图片到理解空间，她始终在寻找AI下一步必须解决的问题。

过去芯片行业的逻辑是，芯片厂商等待模型方提出算力需求，再比拼谁的运算效率更高。这一次，苏姿丰似乎想把出题人请进来：机器人将来在什么样的世界里练习，怎样才算真正学会，都会反过来决定下一代AI数据中心该怎么建。

算力平台的十字路口

这几年，AMD一直在拓展AI服务器的能力，沿着从单芯片到整机系统的路径持续扩张。

2025年收购ZT Systems，补上整座机架的设计；2026年推出Helios，把负责计算的GPU、负责调度的CPU，以及供开发者使用GPU的ROCm软件放进同一方案。随着硬件与软件栈愈发齐全，AMD需要考虑：几年后，客户究竟拿这套机器做什么？

当前主流大语言模型的能力评价体系已经成熟。训练看单位时间能处理多少数据，推理看回答得多快、每次回答花多少钱。机器人要做的显然比在屏幕上答题更复杂，面向物理世界意味着更错综复杂的失败。尽管互联网上存在海量视频等多模态数据，但绝大多数都缺少物理交互的反馈标注，无法支撑机器人学习接触物体的力度反馈、失误后的修正策略等核心动作逻辑。

李飞飞的World Labs，正是想把昂贵的现实训练搬到电脑里。

该公司先通过多模态输入生成或重建高精度三维场景，再依托其 2026 年收购的仿真引擎公司 SceniX，将机器人本体、工作台、传感器等要素全部置入可反复重置、参数可调的仿真环境中。一项装箱任务，可以变成盒子位置、光线和材质各不相同的许多次练习。公司展示了双臂装箱与线缆操作，部分仿真训练的动作也在真实机器上得到落地验证。

如果这种仿真训练模式成为机器人行业的标准开发流程，整个算力市场的需求逻辑将被重构电脑不仅要训练一个模型，还要不断生成场景、模拟碰撞、找出失败，再把结果送回真实机器。

这也解释了AMD为何不能仅依靠卖更多GPU，去拿下机器人算力市场的核心原因。

即使GPU算得飞快，场景数据也要在CPU和GPU之间来回搬运，仿真还要等待物理计算，缩短机器人学会一个动作的总时间仍存在瓶颈，无法单纯靠提升 GPU 算力线性缩短。

基于此，AMD拟收购World Labs，是押注这套还没有被定型的机器人 AI 开发流程。AMD认为：研究世界模型的团队能帮助看清未来的计算任务特征，再优化硬件、软件和系统路线图。而双方早在2025年已合作优化AMD GPU上的模型训练和推理效率。

如今把这支团队收入内部，AMD有机会在芯片设计的前置阶段就发现算力瓶颈，从而在初期解决问题。

苏姿丰带领的AMD不能丢下眼前的大模型市场，但她同时要抢占一个更前沿的赛道：定义未来机器人的场景生成标准、能力验证体系。后者短期内难以贡献直接营收，却可能让 AMD 从 “按照他人需求生产算力” 的供应商，转向 “定义下一代算力需求” 的规则制定者。这才是这笔82 亿美元收购背后真正的战略本质。

为什么是李飞飞

2009年，李飞飞团队发表ImageNet论文，该项目整理出320万张带类别的图片。那是一项近乎“笨功夫”的工作，在别人琢磨更巧妙的识别算法时，他们先设法让机器见到足够多的世界。背后的底层逻辑朴素，数据的规模和质量决定了算法能学到什么，但前提是先让机器看到更多数据。

2012年，AlexNet用两块GPU在ImageNet竞赛里大幅刷新成绩。李飞飞团队搭建的本质是一套统一的行业基准：同一批图像数据、同一套任务标准，让所有研究者都能清晰验证算法的真实进步幅度。

这个结果让业界清楚看到，大规模数据、深度神经网络和GPU计算结合，能够大幅提升机器识别图片的能力。李飞飞的厉害之处，是提前建设了数据集和测试任务，让这样的突破有条件发生，也拥有全行业可验证的标尺。

2017至2018年，李飞飞出任Google Cloud AI/ML首席科学家，主导云侧 AI 产品与算力的结合落地；2019年又参与创立斯坦福以人为本人工智能研究所，研究技术落地社会后的综合影响。

2024年，李飞飞创办World Labs，开始攻坚比识别物体更难的问题：机器看过一张房间照片后，能否理解照片中桌椅、门窗的空间位置，并合理推测没有拍到的区域？当摄像机换个角度，或有人挪动椅子时，它能否继续把这些画面理解为同一间房，而非互不相关的几张图片？

为解决空间认知问题，公司先推出了 Marble 三维场景生成工具：输入图片、文字或视频，生成一个可以从不同角度查看和编辑的三维场景。后来发布的Atlas，则尝试根据少量画面推断场景的空间布局，生成摄像机换到其他位置时可能看到的画面。两者要解决的是同一个难题：让AI对房间里的物体形成连贯的空间认识。

但认识空间还不能让机器人安全干活。World Labs又收购仿真引擎公司SceniX，让虚拟场景能够接受动作与碰撞检验。SceniX的技术路线是把真实机器人、传感器和作业现场还原成可交互的模拟环境，让机器人反复练习，再用真机操作检验练出的动作是否有效。

从 ImageNet 定义 “机器看过什么” 的视觉基准，到世界模型定义 “机器经历过什么” 的仿真基准，李飞飞的职业路径始终有清晰的一致性：总在 AI 范式迭代的关键节点，布局行业最稀缺的基础标准与卡位节点。

而AMD曾投资World Labs，双方自2025年就在GPU上合作优化模型，2026年初，李飞飞与苏姿丰还同登CES舞台。AMD需要一个能把新问题变成计算任务的人，李飞飞也需要硬件与工程资源，让世界模型走出实验室。

从产业底层逻辑看，每一轮 AI 浪潮的领跑者，从来都不是只做好技术本身的公司，而是定义了行业标准与测试范式的玩家。而机器人 AI 时代，谁定义了仿真训练的基准与流程，谁就掌握了算力需求的话语权。这也是 AMD 选择李飞飞，而非单纯收购一家技术公司的核心原因。

买到考卷，不等于拥有考场

但对于AMD而言，即使拥有李飞飞加盟，赢得物理AI也并非易事。

英伟达在2025年就推出Cosmos世界基础模型，并把合成数据与Omniverse、机器人开发工具链深度相连。它争夺的同样是开发者从造场景到测试机器的完整流程。

AMD如今有了模型团队和系统，还有一个商业和生态上的问题：为什么开发者要在它的工具上留下来？

值得注意的是，World Labs在2026年2月公布的新融资名单里，AMD与英伟达同时出现。七个月后，AMD决定把它收入麾下。若收购完成，World Labs的研发重点和硬件优化将与AMD的产品路线更紧密地绑定。

这也给全行业的开发者抛出了疑问：下一代模型在其他品牌的GPU上是否同样好用？性能测试会不会更适合AMD的系统？这些疑虑足以影响开发者的工具选型，以及是否愿意向平台开放真实项目数据与场景反馈。

AMD用收购换来了更快的内部协同，但不能因此失去来自不同硬件平台的使用场景和反馈，下一代AI需求仍需更多元的反馈。

要化解这种生态疑虑，AMD得让开发者相信技术和开放的中立性：用World Labs生成的仿真场景，换一家芯片或仿真工具后仍能使用；同一项机器人任务，能在不同平台上重跑、比较；开发者投入的现场数据与训练成果，所有权与控制权完全掌握在企业自己手中。

Marble支持导出场景只是第一步。只有足够多的外部团队愿意带着真实任务参与，World Labs才能接触到整个行业的问题，AMD也才能看清未来的算力需求特征。若成绩只能在自家系统上复现，所谓的出题权就成了自家出题、自家判分。

这笔交易的战略价值，在于让AMD在物理AI的计算需求尚未定型时，就参与模型、仿真与硬件的协同设计，而非等应用成熟后再按既定指标优化芯片。

从产业底层逻辑看，所有试图定义行业基准的玩家，都会面临 “中立性” 与 “商业化” 的天然悖论。当基准提供者同时也是硬件参赛者时，生态的信任就会出现裂痕。英伟达的 CUDA 生态之所以能成立，核心是先有通用的并行计算标准，再延伸出自家硬件优势；而 AMD 如果直接将 World Labs 变成自家硬件的配套工具，只会把更多开发者推向对手。如何在内部协同与生态开放之间找到平衡，会是苏姿丰接下来要解决的核心命题。

英伟达的应对

就在本文撰稿期间，市场也传来了英伟达洽谈收购 Reflection AI的消息。

Reflection AI 主打开源可私有化部署的高性能通用模型，在代码生成、复杂推理、企业级智能代理场景具备成熟落地能力，刚好匹配英伟达拓展政企私有化部署、补齐通用模型能力边界的需求。和 AMD “从 0 到 1” 的单点突破不同，英伟达的收购逻辑是 “从 1 到 N” 的生态加固 —— 在已有优势赛道持续扩大领先，在薄弱赛道快速补齐短板，最终巩固全栈式的生态统治力。

芯流认为，两笔交易共同印证了行业核心趋势：AI 算力的竞争正在从 “硬件性能比拼” 向上游 “范式定义权” 延伸。芯片巨头已经不再满足于被动承接模型厂商的算力需求，而是主动切入模型层、应用层，通过定义下一代AI 的技术路线，锁定自身硬件的长期需求。

这种纵向整合的浪潮，正在重构 AI 产业的价值分配逻辑。当芯片巨头纷纷下场自研、收购核心模型团队，中间层独立模型公司的生存空间正在被压缩。

纯算法创新的壁垒正在被生态与算力的壁垒取代，无法绑定硬件生态的模型公司，将越来越难获得独立的产业地位。