资讯

9月28日，一则重磅消息传来，AMD在官网宣布将以约82亿美元、全股票方式收购华裔AI科学家李飞飞创立的世界模型公司World Labs。太平洋两岸的具身智能、世界模型圈子被彻底搅动。 

行业人士惊呼Amazing。World Labs成立不到两年，产品只有两个——三维场景生成平台Marble，和世界模型Atlas；公司没有披露收入，更谈不上商业模式。技术路线也远未收敛：3D空间智能派、非生成式隐空间派、平台基建派都在各自发力，没有谁被证明是标准答案。 

争议几乎同步抵达：有人说这是强强联合，有人说这是“AI教母”对独立探索的背叛，但在投资人看来这笔收购或许顺理成章，因为收购方本就是其早期股东，能更清楚地了解到World Labs的实际经营情况。 

与World Labs同属世界模型赛道的影身智能，则更为清楚地看到了背后的逻辑：即4D世界模型到了Scaling Up的临界点，如同此前大语言模型的发展路径一样，World Labs需要更大的算力支持以用于规模化，于AMD而言，则要提前基于4D世界模型的架构布局芯片生态。 

影身智能CEO闵伟判断，在规模化的拐点之上，外加GPT-6等竞争对手的追赶，让World Labs已经没有时间像过去那样作为创业公司以小步快跑的方式做研究，而是需要转向大规模工业化。 

2024年6月，前阿里巴巴机器人团队负责人闵伟在杭州创立影身智能，联合深耕动态三维重建二十余年的清华长聘教授刘烨斌。创业第一天，团队就做出一个“非主流”判断：大语言模型处理一维语言，视频模型处理二维图像，而机器人面对的是三维空间加一维时间的4D世界，用低维数据，训不出理解高维世界的智能。 

此后两年，在追求大规模数据的道路上，影身做的事是一场“减法”：把高精度4D采集设备，从80个摄像头、价值数百万元的“采集笼子”，减到4到6个普通摄像头；两台八卡服务器减到一张消费级GPU；一天的训练等待减到几十毫秒的准实时生成。基于此，今年年初，影身智能把4D世界模型搬进了制鞋工厂，让真正理解物理规律的机器人能像人一样完成涂胶、压底工作；今年9月，影身智能4D直播、4D游戏在中国国际服务贸易交易会首次亮相；同一时间段，李飞飞发布Atlas，走的是同一条稀疏视角生成4D的路线。 

两条路线在太平洋两岸独立收敛，命运却并不相同。Atlas的故事停在演示里，影身已把机器人铺进鞋厂：毫米级精度、99.9%良率，45人的产线只留5个组长管40台机器人；在国内，影身智能已取得数亿元订单，在国外，首批数百台机器人出口越南、订单数千万元，“卖本体+卖Token”，埃及、土耳其、南美客户接踵而至。 

AMD收购World Labs，究竟给这条路线投下怎样的信任票？“AI教母”进入大厂体系后，独立创业公司还有没有机会？4D世界模型离大规模落地还有多远？就在这笔收购发生后，我们与闵伟进行了一场对话交流，以下为经梳理后的对话实录。 

82亿美元，AMD到底在买什么

36氪：看到这笔收购的消息，朋友圈里很多具身圈的人都在用Amazing形容。但说实话，我们一直有个疑问：世界模型的技术远没有收敛，AMD为什么在这么早期就下这么重的注？它为什么愿意花这样一笔钱？

闵伟： 我认为AMD下这么重的注，有两个原因。第一，AMD在之前的轮次就是World Labs的大股东、主要投资人，它对World Labs进展的了解，比我们多得多。第二，今年9月初，World Labs发布新模型Atlas。Atlas有一个很关键的突破：相对于上一代的Marble，它能够通过稀疏视角的摄像头生成4D数据。李飞飞对此进行了一个叠衣服的演示，抖开衣服，画面可以像“子弹时间”一样任意穿越，实时做4D生成。而这项技术，我们在今年4月份就已经做到了。 

当时我们就判断，这个技术出来以后，能够解决4D数据大规模采集的问题。此前4D数据的采集需要很多摄像头、很长的处理时间，做不到实时，也没办法在真实场景里部署大量摄像头。当我们做到6个视角以后，就敏锐地发现：这件事可以在工业界和日常生活中去海量部署、海量采集了。海量采集这道门槛一旦迈过去，马上就会有一次大的scale up，世界模型离落地就近了，它会从前期的基础研究，转向大规模数据、大参数量模型的阶段。 

所以我判断，根据我们自己对这条技术路线的理解和前期的工作，应该是Atlas发布以后，它在4D路线上海量采集的门槛也越过去了，同我们一样越过了这道门槛。AMD应该也看到了，所以火速联合起来，重金收购World Labs。可以预见，接下来它们会用工业化、大规模的方式，到真实世界里，用Atlas这种稀疏视角设备去采集海量视频，比如6个视角，甚至3个视角，再把稀疏视角视频转成4D，用4D数据去训练更强大的4D世界模型。 

36氪：也就是说，正是Atlas模型在9月发布之后，这条路线的应用价值才真正有了一次大的跨越？

闵伟： 对，它从根本上解决了如何采集海量数据的问题。这是第一个原因。第二个原因，是GPT-6的发布。GPT-6发布之后会带来一个问题：传统上用视频作为训练数据的视觉模型，会受到很大挤压。 

36氪：即便如此，AMD这张牌是不是下得太重了？它完全可以继续做战略投资，而不必在这么早的阶段，就把一家公司整个并入自己的体系。它们越走越近，你怎么看？

闵伟： 核心判断是，数据生成技术一旦能做到稀疏视角，就到了拐点，就可以放量了。再往后，GPT-6这样的大玩家已经追了上来，没有时间再让World Labs按照创业公司、独角兽那种小步快跑的方式继续做研究了，它要转向大规模工业化。 

36氪：所以你判断，赛道已经过了0到1的拐点，马上进入1到10的阶段。

闵伟： 对，技术上已经准备好了。剩下的事，如果按它自己的节奏发展，肯定不如用大厂的重金投入来得又快又好。他们应该也能看到：Atlas既然已经发了稀疏视角，其他大厂就一定会追。所以如果他们想继续抢占先机，至少在大厂追上来的这一年时间里，提前把scale做起来，时间窗口很重要。 

两年三级跳，用技术解决行业卡点

36氪：提到这一点，你之前在行业里有一个挺有名的观点：数据从来不是多少的问题，而是维度的问题。这刚好跟李飞飞的观点有点相近。影身为什么那么早就开始做4D数据？

闵伟： 从第一性原理来讲，这个世界本身就是4D的。想做视觉AI，想让它承载更多物理世界的定律，首先就要在时空维度上跟真实世界对齐。而基于视频做预训练，其实很难解决物理规律的承载问题。 

比如说风。风在像素空间里是没办法建模的，它是透明的，没有RGB信息。但在4D空间里，它是空间中的流体，只是这个流体的透明度为零，其实是可以建模的。 

再比如我们之前遇到的一个非常典型的问题：背景和光照变化。背景和光照变化在像素空间里属于关键特征的变化，模型只能靠加上海量数据，把这种相关性排除掉，同一个动作，配上各种各样不同的背景，让模型通过数据知道背景是不相关的、不是因果。但如果做4D，这一点就非常容易实现。还有二维世界里非常难学的遮挡、接触、穿模，在4D世界里是一目了然的。 

所以从维度上讲，底层的原因是：所有真实的物理规律，都是定义在四维时空上的。用二维像素这种降维投影得到的数据去学习物理规律，是非常困难的。 

36氪：影身能在4D数据领域很早实现突破，能不能给我们拆解一下，最早做这块的时候有哪些技术卡点？我们又是怎么一步步突破的？

闵伟： 对4D数据来说，2024年创业时最大的卡点，就是采集成本、硬件门槛，还有训练时长。早期我们的技术大概是用80个摄像头做高精度4D采集，需要两台八卡服务器，几分钟的数据要训练一天。当时还是用基于数学迭代优化的思路做4D生成，可以做出少量高精度数据，但没办法scale。第一，设备成本很高，80个摄像头要上百万元；第二，80个摄像头没办法在真实生产环境里大量部署，或许可以把实验性的桌面、简单场景搬进采集笼子，但真实场景比这复杂太多，不可能把生产线、机床往里搬，成本也高得离谱。 

所以过去两年，我们一直致力于三件事：把摄像头的数量逐步减下来，把对算力的需求也逐步减下来。第三是把采集、训练、生成所需的时间降下来，用迭代优化、反复求解的数学办法，将原本需要一天时间才能渲染出的4D数据缩短到可实时渲染。 

去年，我们做到了从80个摄像头变成十几个，采集训练时间从一天变成几个小时，服务器从两台变成一台，成本大大降低。今年4月，我们又有一次新的技术突破：摄像头从十几个变成4到6个，服务器用普通消费级GPU就可以，时间压缩到毫秒级，能做到准实时。当时我们先做了一个4D直播的demo，在9月份上了北京的中国国际服务贸易交易会。 

到了9月中旬，我们突然发现李飞飞发布了Atlas，技术路线跟我们是一样的，也是几个稀疏视角摄像头，也是生成4D。当然，她那边是不是实时的，还有待考察。 

从这个角度讲，只要能用稀疏视角做4D生成，就可以走进真实物理世界的各种场景 ：家庭、工 位、车间、餐厅。加6个摄像头成本很低，对环境的要求也很低，而且是无侵入式采集，被采集对象完全没有感觉。这就具备了大规模工业化采集的可行性。 

36氪：你刚才提到把摄像头数量大幅降下来。这个跨越是怎么实现的？

闵伟： 此前80个摄像头的模式，本质是一道数学公式，不带历史信息、没有先验。现在是我们自己训练一个大模型，用这个模型、用生成的办法，来实现4D的重建和生成。 

36氪：行业里常用Real-to-Sim-to-Real，看起来影身不是这个路线。

闵伟： 我们没有进入Sim，是直接Real-to-Real：一个模型，6个视角的视频进去，出来就是4D。服贸会上我们展出的，就是能实时看到4D的状态。 

36氪：看起来是个很不错的方案，Sim-to-Real的gap，行业一直没有解决。但想要把Sim省掉，会存在哪些难题？

闵伟： Sim-to-Real最核心的gap，恰恰就是因为Sim，把Sim省掉，自然就没有Sim-to-Real的gap了。Sim的本质是什么？是在一个人工定义的环境里做各种假设、各种简化，gap就来自这些假设和简化。 

如果在隐空间里做4D特征提取，再用4D特征生成4D数据，再用4D数据去做监督，不管是机器人的具身模型还是别的模型，让隐空间里的特征尽量4D化、尽量跟真实物理世界对齐，它的幻觉问题、各种非因果的相关性建模问题，就会少很多。 

Simulator最大的问题就是Sim，因为Sim一定要做各种简化。而大模型的好处，有点像当年大语言模型时代的“语法规则”。大模型时代之前，对话系统为什么泛化能力不强？就是因为有语法规则，规则本身限制了泛化。后来大语言模型做端到端、在隐空间里隐式学习，而不是靠显式规则定义，泛化能力得到了极大增强。Sim就可以当作一种显式的语法规则：那个环境里所有东西都是清晰的、人为定义的、基于规则的，规则本身就成了泛化性最大的瓶颈，也是Sim-to-Real这个gap的来源，在这种场景下做的简化是合理的，换一种场景，这个简化就不合理了。 

到底该如何简化？让大模型通过隐空间去隐式学习，是更好的路径。就像语法到底是语言学家一条条写出来的，还是模型在隐空间里自己学会的？目前看，大语言模型已经证明：在隐空间里自己学会隐式语法，才有最优的泛化能力，能达到人的水平。由此我们有一个推论：在隐空间里把Sim取消掉，直接在隐空间里建模4D世界，用4D数据做监督，学会的物理规律会更贴近真实物理世界，有更好的泛化能力。 

36氪：如果走这条路线，会不会碰到什么新的问题？

闵伟： 新的问题就是需要4D数据做监督，而且量要很大。从“人为写规则”变成了“用数据监督”，那就必须解决海量数据从哪里来的问题，这也是我们过去两年一直致力于解决的，如何采集海量4D数据，它变成了算法问题、工时问题、可行性问题。 

走这条路线，核心就是要有海量4D数据，就要解决采集的硬件成本如何下降、如何便携地部署到真实物理世界。最近两年行业也发现，在数据中心、素材中心采的数据，能力没有那么好，还是要回到真实世界采集；还要解决无侵入式采集，整个行业最开始是遥操作，后来是UMI、用夹爪，但夹爪会干扰手；再往后是只在身上、头上戴头环。我们希望再往前走一步：头环都不用戴，只在周围加一圈环绕摄像头，用完全无感、无侵入的方式，采集真实世界海量的一手数据。 

AMD收购World Labs，对4D世界模型行业是重大利好

36氪：谈到数据，现在数据采集这件事的路线实在太分散了，有人采全身数据，有人只采机械臂的数据。现在采的是哪些方面？

闵伟： 在我们的采集理念里，不管是机械臂、人体、全身还是半身，都是真实物理世界的一部分，都可以拿过来用。 

只要是真实世界的一部分，它就能承载真实世界的物理规律，拿过来做4D化都可以，我们不在乎你是人体还是机器人。你只要在四维时空里受到物理规律、牛顿定律的约束，我们学习这些底层规律时，这些数据都是有用的。 

所以我们的底层基座是面向4D的，不是面向某一类具体机器人的。如果面向某个具体机器人，就得想办法要么直接用这个本体去采，要么解决跨本体迁移，从人体迁到机器人。我们其实完全不在乎这一层，因为我们是更底层的4D路线。跟我们最像的，就是李飞飞的Atlas：它是4D空间的动态生成，至于那个地方是一个人在叠衣服，还是一个机器人在叠衣服，其实都没关系。 

我们的应用不仅是具身，还可以用在4D直播、4D演唱会、各种时空模拟、各种引擎上，因为它是最底层的4D能力，重建、理解、生成、预测。 

36氪：目前数据采集这块，具体是怎么规划的？分几步在走？

闵伟： 我们是把大模型当工具，用数据飞轮的方式。自己先有一批高精度4D数据作为启动燃料，先训出一个模型，这个模型把对摄像头的依赖从80个降到十几个，把算力需求从两台多卡服务器变成一台，训练时间从一天变成几个小时。有了这个模型，我们再利用它的能力，继续采更多4D数据。 

有了新一批4D数据以后，我们再训练第二代、更强大的模型，它把摄像头从十几个变成4到6个，生成时间从几小时变成几十毫秒，服务器从多卡变成单卡。本质上还是“数据加模型”循环迭代的思路：把数据里包含的物理世界先验迁移到模型里，模型再利用这些物理先验，实现更高质量、更高效率的4D采集，最终形成一种高维数据的“冶炼”能力。 

素材其实可以分成两部分：采集和加工。采集是低门槛、劳动密集型的生意；真正技术含量高的是加工环节。加工也分两个阶段：上一个时代靠人工标注，我们现在采用的是一种新的方式——把大模型本身当作数据冶炼工具，用模型实现4D数据生成，进一步降低采集门槛和对设备的需求，提升采集效率。 

36氪：我注意到影身现在已经在跟一些鞋厂合作。为什么先选择了制鞋这种相对柔性的供应链？

闵伟： 选择它，是为了在真实工业产线上形成数据飞轮。高质量、高难度的数据，对模型更有价值。普通的刚性体、简单场景、简单抓取，里面包含的物理信息量是偏低的；越是柔性的、复杂的、立体的变化，包含的物理规律和物理信息越多。刚性体，可以当作柔性体的某种特殊状态。 

36氪：能不能形象地描述一下，复杂场景具体难在哪？

闵伟： 比如说服装，布料的变形强依赖4D理解。布料变形的时候，表面纹理其实没什么大变化，但空间几何发生了剧烈变化。这时候基于传统二维像素的特征提取就失效了，更依赖空间几何的理解。这是非常典型的例子，类似自动驾驶里的复杂corner case，能快速提升模型对4D时空的理解。相反，桌面上摆一些刚体，水瓶、立方体、圆柱体，因为缺少材质变化，里面的物理规律就少一些，或者说比较容易学到。 

36氪：最终出来的东西，精度能到什么程度？

闵伟： 精度能到毫米级。 

36氪：从东盟博览会回来之后，影身的客户签约、意向的表现怎么样？

闵伟： 客户意向现在反应很热烈。东博会上就有很多东南亚的意向客户，对我们的设备非常感兴趣；还有埃及、土耳其，包括南美的客户，也来找我们对接。我们之前在越南已经签了几个大订单。国内市场，中国制鞋占了行业半壁江山，我们在晋江也有比较好的品牌和口碑。东盟博览会期间，我们跟柬埔寨工商联合总会主席、柬埔寨箱包皮革商会荣誉会长李坤泰公爵做了比较深入的沟通。李坤泰公爵一方面代表柬埔寨对华商业合作，另一方面也是柬埔寨皮革协会主席。聊完之后，他认为我们在以柬埔寨为代表的运动鞋领域会有很深入的合作，并邀请我们节后再去柬埔寨做现场调研，推动进一步合作。他是一个代表，我们跟马来西亚、新加坡，也都有类似的合作在推进。 

36氪：如果让你整体概述下，影身目前的核心资产具体都包括哪些方面？

闵伟： 核心资产有几个维度。第一是数据：我们有大量私域数据，历年积累下来，加上最近在大规模采集的。第二是依托这些数据产生的“数据生产模型”，也就是我们的数据冶炼引擎，其他数据引擎是基于规则、仿真或者人工标注去编程，我们是用大模型做引擎，这是强大的生产力工具。第三，我们已经落到两个大板块：一个是4D直播，形成生态，让生态伙伴源源不断给我们生产数据；另一个，是在我们一点都不陌生的、能产生高质量物理交互和柔性交互数据的复杂产线里批量铺设，在服装鞋帽这些经典柔性操作领域形成源源不断的数据飞轮。我们在数据真实性和产业落地上，相比美国是有优势的，美国已经没有轻工业这些东西了。 

36氪：AMD收购World Labs这件事，会影响到影身自己的战略发展吗？

闵伟： 这对我们其实是重大利好。此前我们的技术路线比较孤独，也花了大量时间和精力向大家解释它的可行性。一条技术路线最大的问题，就是它到底是不是主流、未来会不会成为主流，这是最大的不确定性。AMD收购World Labs，替我们证明了这件事：它用真金白银、海量投入，证明这条技术路线是可行的，是未来的方向。这对我们是最重要的。剩下的，就是去集结更多4D生态伙伴，一起把这件事做大做强。 

36氪：未来两三年，影身最理想的状态是什么样？比如发布更强的模型，会有哪些指标上的提升？

闵伟： 我们现在是闭源的，计划推出开源版，中国开源版的Atlas，赋能各行各业。从我们最擅长的两个领域切入：一个是服装鞋帽的轻工业场景落地，另一个是正在大力推进的4D直播、4D互动影游、4D演唱会，进入数字娱乐产业。我们会把它作为开源的基础能力，让更多合作伙伴一起去探索4D基座模型在各行各业的应用。