苏姿丰抬头，李飞飞低头
作者｜画画
倘若将时光倒流至2014年，苏姿丰刚刚执掌AMD。
彼时的AMD远非今日AI领域的明星企业。公司承受着巨大压力，业务深陷困境，甚至有人怀疑这家老牌芯片制造商能否撑到下一轮机遇。
同样在那个时期，李飞飞正在从事一项看似更为“笨拙”的工作：为机器准备海量图像。
9月28日，AMD宣布以约82亿美元的全股票交易方式收购李飞飞创立的World Labs。交易落定后，李飞飞将加盟AMD，出任执行副总裁兼首席科学家，直接向苏姿丰汇报。
表面上，这是一家芯片企业对一家AI初创公司的收购。深入来看，这是两条各自跋涉了十余年的道路最终交汇。
一、苏姿丰将AMD从悬崖边缘拽回
2014年，苏姿丰接过AMD首席执行官的重担。
彼时的AMD已连续多年萎靡不振。
2014年，AMD营收约为55亿美元，净亏损4.03亿美元；到了2015年，营收进一步下滑至39.9亿美元，净亏损扩大至6.6亿美元。
AMD当时的困境不难理解：资源有限，英特尔在CPU市场占据绝对主导，英伟达则牢牢把控着GPU计算的增长机遇。
然而苏姿丰掌舵后，并未将AMD的业务战线拉得更宽。
她反其道而行，将有限的工程资源重新聚焦于高性能计算领域。
2017年，AMD推出了基于Zen架构的Ryzen处理器，同时发布了面向数据中心的EPYC处理器。Zen成为AMD重返高性能计算市场的关键产品线。
同年，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也开始承担AI与高性能计算任务。
AMD的业务重心逐渐从个人电脑处理器拓展至数据中心。
到2025年，AMD全年营收约为346亿美元，其中数据中心业务营收约166亿美元，同比增长32%。
一家公司用了十余年时间，从险些被市场边缘化的芯片企业，走到了AI基础设施竞争的核心位置。
苏姿丰的路径清晰明了：抓住计算需求的变化，让芯片进入更广阔的计算市场。
但芯片公司面临一个天然问题。
芯片设计需要提前多年进行。
等到某个计算需求成为共识再着手准备硬件，往往为时已晚。
芯片公司真正的难点并非追赶已明确的需求，关键在于如何提前预判下一个计算趋势。
AMD需要知道，在共识形成之前，哪些新任务会率先变得重要。这也是AMD收购World Labs的深层原因之一。
二、李飞飞让机器先学会“看”
李飞飞与AI的渊源，可以从一堆照片说起。
2006年前后，她开始牵头ImageNet项目。
当时的计算机视觉研究，大量精力集中于让机器识别图像中的物体。机器可以识别一张照片里是否有猫，却难以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。
图片从互联网上搜集而来，分类和标注则需要大量人工参与。李飞飞的团队甚至借助Amazon Mechanical Turk，将庞大的图片标注工作拆解给全球众多临时工完成。
Amazon Mechanical Turk是亚马逊推出的一个众包平台，企业可将大量琐碎任务分发给全球网络用户。ImageNet的标注工作便依赖于此。
这是一项极其繁琐的工作。
但它为后来深度学习的突破奠定了不可或缺的基础。
2012年，AlexNet在ImageNet图像识别挑战赛中取得突破性成绩，深度神经网络开始大规模进入计算机视觉研究的核心。
ImageNet最重要的贡献之一，就是让研究者意识到，大规模数据本身可以成为推动机器学习进步的关键力量。
从那以后，机器识别图像的能力迅速提升。
人脸、物体、场景、文字，都逐渐成为可被算法处理的视觉信息。
李飞飞并未止步于“机器能看见什么”这个问题。
她开始进一步探索视觉背后的空间关系。
三、从图像识别迈向空间智能
一张照片里有一张桌子。
计算机视觉系统可以识别出“桌子”。
但真正进入现实世界后，机器需要处理的事情远比识别一个物体复杂。
它需要判断桌子的位置、桌面与机器人的距离、杯子在桌面的具体位置、机器人向前走两步是否会撞到桌角，以及拿起杯子后，桌面上的其他物品是否会受到影响。
这些问题都涉及空间。
李飞飞后来将研究方向进一步拓展至空间智能。
2024年，她与Justin Johnson、Rob Fergus、Christoph Lassner等人共同创立了World Labs，目标就是让AI建立对三维世界的理解。
World Labs发布的模型，不再只是根据文字生成一张二维图片，而是可以根据文字或图像生成三维环境，并进一步让这些环境具备可探索、可编辑的特性。
这意味着模型处理的对象发生了改变。
文本模型处理词与词的关系，图像模型处理像素与像素的关系。空间智能模型则要更进一步，将物体、距离、位置、时间和动作整合在同一系统中处理。
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领域深入。
这条路线越来越清晰：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。
对于机器人来说，这种能力尤为关键。
机器人面对一个杯子，识别“这是杯子”只是第一步。它还需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后果。
ImageNet解决的是物体识别，World Labs要解决的是物体在三维空间中的位置、关系和变化。
四、世界模型改变了计算对象
大语言模型的计算对象主要是Token，而世界模型面对的计算对象要复杂得多。它需要同时处理空间、时间、物体关系和环境变化，还要让模型能够预测动作发生后的结果。
这类模型需要大量数据，也需要更重的训练和运行。
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，计算机处理的任务就会发生转变。
过去的计算机主要处理人已定义好的规则。世界模型试图让机器自己建立一个关于现实世界的内部表示，再利用这个表示进行预测和决策。
这会改变底层计算：GPU要处理的数据、内存容量、训练和运行的架构、软件栈设计，都会随着模型形态调整。
这正是AMD迫切需要的地方。
一家芯片公司如果只能根据今天的AI需求设计产品，永远会处于追赶需求的位置。
如果能够提前看到下一种计算任务需要什么，就有机会让硬件和软件从一开始就围绕这种任务设计。
World Labs提供的，恰好是一扇观察未来计算需求的窗口。通过使用如9游模拟器这类工具，开发者能更直观地测试和预演空间智能模型在多样化环境中的表现。
五、从投资到收购，仅用了半年
AMD与World Labs的关系并非突然发生。
今年2月，World Labs完成了10亿美元融资，AMD参与了其中。
这轮融资使World Labs的估值达到约50亿美元。
World Labs的空间智能模型运行在AMD Instinct GPU上，双方团队也在共同优化模型的训练与运行。
对AMD而言，这种合作能够直接观察新型模型在真实计算环境中的表现。
哪些环节最消耗算力、哪里容易因内存受限，这些信息比单纯阅读一份商业计划书有价值得多。
收购World Labs，AMD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。
AMD的意图已摆在明面上。
AMD买下的不只是模型，它希望将对下一代AI工作负载的理解，直接融入自己的产品设计周期中。
六、AMD买下的，是一个尚未被定义的市场
AI产业已形成清晰的计算需求：训练大模型需要堆积大量GPU，运行模型需要效率，云厂商需要持续建设数据中心。
这些需求都已可量化，也可被芯片公司用于规划产品路线。
世界模型尚未如此明确。
世界模型会先落地于机器人、自动驾驶还是游戏，能否形成规模收入，硬件该如何配合，行业仍在探索中。
甚至世界模型本身的定义也仍在变化，但这恰恰给芯片公司留下了一个窗口。
如果等到世界模型成为成熟产业，再去设计对应的硬件，竞争很可能已经开始。
AMD选择将World Labs收购进来，相当于把一支研究下一代计算需求的团队直接纳入内部。
这与传统意义上收购一个AI应用完全不同。
应用能带来用户和收入，而研究团队带来的价值，则可能体现在几年后的芯片架构、软件栈和计算系统中。
AMD此前通过Zen重新夺回CPU市场，又通过EPYC和Instinct进入数据中心和AI计算领域。
World Labs对应的，是下一轮计算增长究竟由什么任务驱动。
对于AMD来说，与其去猜测，不如干脆把研究下一代计算的人放在身边。
这次收购也因此诞生了一个很有意思的组合。
苏姿丰抬头，寻找下一座计算的山峰。李飞飞低头，看见山脚下那个真实的世界。
山尚未形成，但已有人开始为它修筑阶梯。
【版面之外】的话：
过去，人类先定义问题，再让机器计算。
当机器开始理解真实世界，顺序可能反过来。
世界本身，正在成为一道计算题。
本文来自微信公众号“版面之外”，作者：画画，36氪经授权发布。