回溯至 2014 年，苏姿丰刚接手 AMD。彼时的 AMD，远非今日的 AI 明星企业。公司深陷泥潭，业务濒临崩溃，甚至有人断言这家老牌芯片公司已错失良机。而在同一时期，李飞飞却在做一件看似“笨拙”的苦功夫：为机器储备海量的图片。如今，9 月 28 日，AMD 宣布以约 82 亿美元的全股票收购李飞飞创办的 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，直接向苏姿丰汇报。表面看，这是一次芯片巨头对 AI 创业公司的并购；往深里看，这是两条跨越十年的道路终于交汇。
一、苏姿丰将 AMD 从悬崖边拉回
2014 年，苏姿丰临危受命接掌 AMD。彼时的 AMD 已连续多年萎靡不振。2014 年营收约 55 亿美元，净亏损 4.03 亿美元；2015 年营收跌至 39.9 亿美元，净亏损扩大至 6.6 亿美元。困境源于资源匮乏，Intel 在 CPU 市场占据绝对优势，Nvidia 又牢牢把控着 GPU 计算的增长红利。然而，苏姿丰掌舵后并未盲目铺开战线，而是反其道而行之，将有限的工程资源全部押注在高性能计算领域。2017 年，基于 Zen 架构的 Ryzen 处理器与面向数据中心的 EPYC 处理器相继问世，Zen 成为了 AMD 重返高性能计算市场的关键。当年 AMD 营收回升至 53.3 亿美元，并实现全年盈利。随后，EPYC 进军服务器市场，Instinct 系列 GPU 负责承担 AI 与高性能计算任务，业务重心也从个人电脑延伸至数据中心。截至 2025 年，AMD 全年营收达约 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，从濒临边缘化的芯片公司走到了 AI 基础设施竞争的核心。苏姿丰的路径清晰：抓住计算需求的变化，让芯片进入更广阔的市场。但芯片公司面临一个天然难题：芯片设计周期长。当计算需求形成共识时再入场，往往为时已晚。真正的难点不在于追赶明确的需求，而在于如何提前预判下一个趋势。AMD 收购 World Labs，正是为了弥补这一短板。
二、李飞飞让机器学会“看”
李飞飞与 AI 的缘分，始于那一堆照片。2006 年前后，她牵头启动 ImageNet 项目。彼时，计算机视觉研究多集中在物体识别，机器能认出照片里有猫，却难以处理复杂视觉信息。ImageNet 最终积累了超 1500 万张图片，涵盖约 2.2 万个类别。这些图片来自互联网，分类标注却需大量人力。李飞飞的团队甚至借助亚马逊的众包平台 Mechanical Turk，将海量标注工作拆解给全球临时工。这项琐碎却庞大的工程，为深度学习的突破奠定了基石。2012 年，AlexNet 在 ImageNet 挑战赛中大放异彩，深度神经网络由此进入视觉研究中心。ImageNet 最核心的贡献在于让学界意识到：大规模数据是推动机器学习进步的关键动力。此后，机器识图能力突飞猛进，人脸、物体、场景乃至文字皆可被算法解析。李飞飞并未止步于“机器看见什么”，她开始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”。但置身现实世界，机器面临的问题远不止于此：桌子在哪里？桌面距离机器人多远？杯子放在什么位置？机器人前进一步是否会撞到桌角？提起杯子后，桌面其他物体会受何影响？这些问题都涉及空间。李飞飞将研究方向进一步拓展至“空间智能”。2024 年，她与 Justin Johnson 等人共同创立 World Labs，致力于让 AI 建立对三维世界的理解。World Labs 发布的模型不再局限于根据文字生成二维图片，而是能生成可探索、可编辑的三维环境。这意味着计算对象发生了质变：文本模型处理词与词的关系，图像模型处理像素关系，而空间智能模型则需将物体、距离、位置、时间与动作纳入同一系统。2026 年 7 月，World Labs 收购 SceniX，继续向机器人与仿真领域深入。这条路线日益清晰，旨在构建一个能持续理解、预测和模拟现实世界的内部环境。对机器人而言，这是至关重要的一步：识别“这是杯子”只是第一步，更关键的是理解杯子的空间位置、形状、重量、抓取方式，以及自身动作带来的后果。ImageNet 解决的是物体识别，World Labs 则致力于解决物体在三维空间中的位置、关系与变化。
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，而世界模型面对的对象复杂得多，需同时处理空间、时间、物体关系及环境变化，并能预测动作后果。这类模型不仅需要海量数据，对训练与运行资源的要求也更为苛刻。更重要的是，它天然连接模拟环境、机器人训练、自动驾驶、游戏开发及数字孪生等领域。一旦模型能在虚拟世界中精准预测现实变化，计算机的处理任务将彻底改写。过去，计算机主要处理既定规则；而世界模型试图让机器自主构建现实世界的内部表征，进而进行预测与决策。这将重塑底层计算，包括 GPU 处理的数据形态、内存容量、训练运行架构以及软件栈设计。这正是 AMD 急需的切入点。一家芯片公司若仅根据当下的 AI 需求设计产品，注定只能被动追赶。若能提前洞察下一代计算任务，便有机会让软硬件围绕新任务从头设计。World Labs 正是 AMD 窥探未来计算需求的窗口。
五、从投资到收购，仅用半年
AMD 与 World Labs 的渊源并非始于今日。今年 2 月，World Labs 完成 10 亿美元融资，AMD 参与其中，估值约 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，这种合作能直接观察新型模型在真实计算环境中的表现——哪些环节最耗算力、哪里容易卡在内存瓶颈，这些信息远比一份商业计划书更有价值。收购 World Labs，AMD 的理由十分明确：利用其研究理解新兴 AI 工作负载，并影响下一代硬件、软件和系统的设计。AMD 的意图已昭然若揭：它买的不仅是模型，更是将下一代计算负载的理解直接植入产品周期。
六、AMD 买下的是一片未定义的市场
AI 产业已形成清晰、可量化的计算需求（如训练大模型需堆砌 GPU、运行需高效率等），芯片公司据此规划路线轻而易举。但世界模型尚无定论。它将落地何处？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？行业仍在摸索。甚至世界模型的定义本身也在演变，但这恰恰留给芯片公司一个窗口。若等世界模型成为成熟产业再设计硬件，竞争早已开启。AMD 选择收购 World Labs，实则是将一支研究下一代计算需求的团队直接纳入麾下。这与传统收购 AI 应用完全不同：应用带来用户与收入，研究团队的价值则可能体现在数年后的芯片架构、软件栈和计算系统中。AMD 此前通过 Zen 重夺 CPU 市场，通过 EPYC 和 Instinct 进入数据中心与 AI 计算，而 World Labs 对应的，是下一轮计算增长究竟由何种任务驱动。与其盲目猜测，AMD 不如将研究下一代计算的人放在身边。这次收购诞生了一个有趣的组合：苏姿丰抬头，寻找下一座计算的高山；李飞飞低头，看见山脚下真实的世界。山尚未成型，但有人已经开始为它修筑阶梯。