苏姿丰抬头，李飞飞低头

本文来自微信公众号： 版面之外 ，作者：画画 如果把时间拨回2014年，苏姿丰刚接手AMD。 那时的AMD还看不出今天AI明星公司的样子。公司承压，业务陷入困境，甚至有人怀疑，这家老牌芯片公司等不到下一轮机会。 也是在那个阶段，李飞飞在做一件看起来更笨的事情：给机器准备足够多的图片。 9月28日，AMD宣布以约82亿美元全股票收购李飞飞创办的World Labs。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，直接向苏姿丰汇报。 表面看，这是一家芯片公司收购一家AI创业公司。往深处看，是两条走了十多年的路终于交汇。 一、苏姿丰把AMD从悬崖边拉了回来 2014年，苏姿丰接任AMD CEO。 那时的AMD已经连续多年一蹶不振。 2014年AMD营收约55亿美元，净亏损4.03亿美元；2015年营收进一步降到39.9亿美元，净亏损扩大到6.6亿美元。 AMD彼时的困境也不难理解，手里资源有限，Intel在CPU市场占据绝对优势，Nvidia又牢牢掌握着GPU计算的增长机会。 但苏姿丰掌舵之后，没有把AMD的战线铺得更广。 她反其道而行，把有限的工程资源重新押注到高性能计算上。 2017年，AMD发布基于Zen架构的Ryzen处理器，同时发布面向数据中心的EPYC处理器。Zen成为AMD重新进入高性能计算市场的关键产品线。 当年AMD营收回升至53.3亿美元，并重新实现全年盈利。 之后，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%。 一家公司用了十多年时间，从一家差点被市场边缘化的芯片公司，走到了AI基础设施竞争的核心位置。 苏姿丰的路径很清楚。抓住计算需求的变化，让芯片进入更大的计算市场。 但芯片公司有一个天然的问题。 芯片需要提前很多年设计。 等到一个计算需求已经成为共识，再开始准备硬件，往往已经晚了。 芯片公司真正的难点不是追赶已经明确的需求，关键在于如何提前判断下一个计算趋势。 AMD需要知道，在共识形成之前，哪些新任务会先变得重要。这也是AMD收购World Labs的一层原因。 二、李飞飞让机器先学会“看” 李飞飞和AI的关系，可以从一堆照片讲起。 2006年前后，她开始牵头ImageNet项目。 当时的计算机视觉研究，很大一部分精力集中在让机器识别图像里的物体。机器可以识别一张照片里有没有猫，却很难处理更加复杂的视觉信息。 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。李飞飞的团队甚至使用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。 Amazon Mechanical Turk是亚马逊推出的一个众包平台，企业可以把大量细碎任务拆给全球网络用户完成。ImageNet的标注工作就借助了它。 这是一项极其琐碎的工作。 但它给后来深度学习的突破奠定了不可或缺的价值。 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中心。 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带动机器学习进步的重要力量。 从那之后，机器识别图像的能力快速提升。 人脸、物体、场景、文字，都逐渐成为可以被算法处理的视觉信息。 李飞飞并没有停留在“机器能看见什么”这个问题上。 她开始继续探索视觉背后的空间关系。 三、从图像识别走向空间智能 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。 它需要判断桌子在哪里、桌面距离机器人多远、杯子放在桌面的哪个位置、机器人往前走两步会不会撞到桌角，以及把杯子拿起来以后，桌面上的其他东西会不会受到影响。 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，开始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有可探索、可编辑的特征。 这意味着模型处理的对象发生了变化。 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。空间智能模型要更进一步，把物体、距离、位置、时间和动作放在同一个系统里处理。 2026年7月，World Labs又收购了空间智能公司SceniX，继续朝机器人和仿真方向深入。 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，这种能力尤其重要。 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，以及自己的动作可能带来的结果。 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，世界模型面对的计算对象复杂得多，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之后的结果。 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变化。 过去的计算机主要在处理人已经定义好的规则。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，都会跟着模型形态调整。 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，永远会处在追赶需求的位置。 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。 五、从投资到收购，只用了半年 AMD和World Labs的关系并非突然发生。 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。 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和运行。 对AMD来说，这种合作能够直接看到新型模型在真实计算环境里的表现。 哪些环节最耗算力、哪里容易卡在内存，这些信息比单纯看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的意图已经摆在明面上了。 AMD买的不只是模型，它希望把对下一代AI工作负载的理解，直接放进自己的产品设计周期里。 六、AMD买下的，是一个没被定义的市场 AI产业已经形成清楚的计算需求，训练大模型要堆大量GPU，运行模型要效率，云厂商要持续建数据中心。 这些需求都已经可以被量化，也可以被芯片公司拿来规划产品路线。 世界模型还没有这么明确。 世界模型会先落到机器人、自动驾驶还是游戏，能不能形成规模收入，硬件该怎么配合，行业还在尝试。 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选择把World Labs买进来，相当于把一支研究下一代计算需求的团队直接放进了自己的内部。 这和传统意义上的买一个AI应用完全不同。 应用能带来用户和收入，研究团队带来的价值，则可能体现在几年后的芯片架构、软件栈和计算系统里。 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。 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，干脆把研究下一代计算的人放到身边。 这次收购也由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。李飞飞低头，看见山脚下那个真实的世界。 山还没有形成，但有人已经开始为它修阶梯了。 【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。