從 ImageNet 到空間智能，李飛飛三次為 AI「挖坑」：這次如何填補？

82 億美元，已經為整個世界模型賽道提供了價值錨點。

    作者丨幸麗娟

    編輯丨岑   峯

82億美元，全股票收購李飛飛創立的 World Labs。

這是 AMD 史上第二大收購，僅次於 2022 年以約 500 億美元拿下賽靈思。

賽靈思是30多年的老牌芯片公司，而 World Labs，僅僅成立兩年。

這一消息發出後，圈內人士的第一反應很一致：蘇姿豐在對標英偉達的 Cosmos 和機器人平台，買人、買模型洞察力、買一張通往物理AI時代的入場券。

但蘇姿豐不是這筆交易裏唯一在下注的人。

李飛飛也在下注。而且她押上的，是自己的下一個二十年。

過去二十年，她反覆在做同一件事：在每一個技術拐點，先一步定義“什麼是值得做的下一件事”。

但前兩次，她只負責出題，把答題的活兒交給別人。而這一次，她把自己按在了答題席上。

01

三次“挖坑”，有何不同？

被譽為“AI 教母”的李飛飛，圈內人對她印象最深的，或許是她最擅長“挖坑”（出題）。過去二十年，她挖的三個最關鍵的坑：ImageNet、AI 民主化、空間智能。

單獨看每一個，都是對 AI 行業走向的一次精準判斷。但擺在一起看，她扮演的角色截然不同。

▎第一個“坑”：純出題，整個深度學習社區答題

2007年前後，李飛飛在普林斯頓做助理教授。計算機視覺領域當時最要命的問題是泛化——算法在實驗室裏跑得通，出了門就失靈。大多數人選擇改進算法，李飛飛選了另一條路：造數據。

這個選擇在當時的學術圈幾乎沒人看好。普林斯頓的資深教授勸她別幹，説“太有野心了”；申請聯邦經費被反覆拒絕，甚至有人批評這個課題是“普林斯頓之恥”。

不僅如此，她還賭上了自己的學術前途。如果ImageNet失敗，她很可能拿不到終身教職。

這個數據集不解決任何算法問題。它只提出了一個問題：我們用什麼標準衡量視覺智能？

這個問題在當時切中要害。沒有足夠的數據，一切算法創新都是“沙上築塔”。

2009年發佈時，它在學術界幾乎沒有激起水花。因為，ImageNet是一個“純出題”式的坑，得有人願意填才行。

直到2012年，Hinton、Krizhevsky 團隊的 AlexNet 橫掃 ImageNet 挑戰賽，深度學習革命才被點燃。將AI帶向復興的深度學習時代，引爆點是AlexNet。

李飛飛成功定義了AI行業的底層基建。但她只是“命題人”，無論 ImageNet 多麼榮耀，填坑的人是拿圖靈獎的Hinton、是吃到了第一波紅利的 Krizhevsky 和整個深度學習社區。

▎第二個“坑”：AI民主化，她想答題，但考卷卻不是自己的

2016 年底，李飛飛用學術休假的方式加入 Google，擔任谷歌雲首席科學家。

這一次她挖的這個坑，叫“AI 民主化”。讓 AI 不再只是大公司的專利，成為中小企業、傳統行業、學術研究者都能用得上的工具。

2017 年 3 月，她在 Google Cloud Next 大會上宣佈收購 Kaggle；同年 AutoML 推向市場，Contact Center AI 進入 alpha 測試，谷歌 AI 中國中心在北京成立。

產品線在鋪開，方向沒有錯。但填坑的方式出了問題。

因為填坑需要三種權力：對產品商業化路徑的決策權、對客戶合同走向的談判權、對內部輿論的控制權。

但李飛飛在Google Cloud的位置是首席科學家，她能影響研究方向，卻影響不了這台商業機器怎麼運轉。

真正讓這個坑塌掉的，是“Project Maven”。谷歌參為該項目提供技術服務的消息曝光後，內部抗議迅速發酵。

而李飛飛在內部討論郵件中強調的那句“不惜一切代價，避免任何提及或暗示 AI”，被員工解讀為替公司遮掩與軍方合作，她因此被推到了輿論的風口浪尖。

一個以“AI 民主化”為旗幟進入Google Cloud的人，最終被一場 AI 倫理輿論風暴，推離了那個位置。

而在Google Cloud的600多天時間裏，她出了這道“AI 民主化”的題，也想答題，但考卷的命題人、監考人、收卷人，都不是她。

科學家的專業影響力，代替不了商業和底層的決策權。定義一個方向，和讓這個方向真正落地，從來就是兩件完全不同的事。

▎第三個“坑”：把自己按在了答題席上

2024 年 4 月，李飛飛聯合斯坦福視覺研究者 Justin Johnson、NeRF 論文一作 Ben Mildenhall、NeRF 後續工作研究者 Christoph Lassner，創立 World Labs，正式下海創業。

這次的命題，是她在無數公開演講裏重複過一句話：宇宙不是由文字構成的，而是由真實事物構成的。LLM 再強大，也活在二維屏幕裏：它不懂遮擋、不懂重力、不懂一個杯子從桌上掉下去會碎。“空間智能”，是 AI 的下一個前沿。

這是她的第三次“挖坑”，但跟前兩次不同的是：她不再只是出題的人。

在正式答題之前，先得有人，有彈藥。

World Labs的創始團隊本身就是一張王牌。Justin Johnson是斯坦福視覺與學習實驗室的研究者，在圖像描述、視覺推理和生成模型方向有長期積累；Ben Mildenhall是NeRF論文一作，那篇論文重新定義了三維場景重建的技術路線；Christoph Lassner是NeRF後續工作的核心研究者之一。四個人搭出一個從三維重建到生成模型的完整技術班底。

學術顧問團隊同樣重磅：斯坦福助理教授、清華姚班出身的吳佳俊，研究方向是物理場景理解；加州大學伯克利分校教授、馬來西亞華裔的吳義仁，研究三維視覺。

彈藥方面，公司成立當月便完成種子輪融資，a16z 和 Radical Ventures 領投，估值約 2 億美元；2026 年 2 月 18 日，完成 10 億美元 C 輪融資，Autodesk 領投，AMD、英偉達、Emerson Collective、富達等參投，投後估值約 54 億美元。

估值從2億到54億美元，不到兩年。融到的錢，作用也很明確：空間智能的訓練成本遠高於文本模型，需要大規模算力、長時間訓練和多產品線並行推進，沒有足夠的彈藥，這個坑填不動。

在儲備彈藥的同時，產品線也在推進。

• 2024 年 12 月，首款模型LWM（大型世界模型）發佈，能從單張圖片生成可交互的 3D 世界。

• 2025 年 11 月，首款商用產品 Marble 上線，支持從文本、圖片、視頻、3D 佈局生成可探索、可編輯的 3D 場景。

• 2026 年 7 月，收購機器人仿真公司 SceniX，把世界模型接進機器人強化學習閉環。

• 2026 年 9 月 2 日，多模態世界模型 Atlas 發佈，這個多模態世界模型，支持像素級相機控制、稀疏視角 3D 重建、機器人預訓練。

每一步，都是把“世界模型”從演示品變成工程品。每一步，對算力的需求形態都不一樣：從單張 H100 上的實時推理，到多模態自迴歸擴散 Transformer 的大規模訓練，再到機器人仿真對內存帶寬、並行計算、低延遲推理的硬需求。

融資在加碼，產品在推進，然而日漸清晰的一個問題是：世界模型的研發越往前走，越不像一個純粹的軟件問題。

李飛飛在多個場合坦言過空間智能對算力的特殊要求：模型需要理解三維結構和運動，理解物理規律，需要非常大的內存、大量並行計算和快速推理。

Atlas從1到數十張照片重建三維場景，生成最長1分鐘、1440p分辨率的視頻，這些任務涉及大量幾何計算和稀疏重建，通用GPU架構在做這類任務時效率並不理想。

李飛飛選擇跟 AMD 走得更近。

2026年1月，蘇姿豐把李飛飛請上CES主題演講舞台。李飛飛當場展示了Marble在AMD MI325X上優化後提速4倍以上的成績，並透露“已經等不及看它在MI450上繼續進步”。

然而，當模型團隊和芯片團隊坐在同一張牌桌，用真實的訓練負載“對話”時，一個結構性矛盾暴露出來：World Labs 仍然在“提需求”的那一側，AMD 在“滿足需求”的那一側。

需求方和供給方之間，還隔着議價、優先級排序和跨公司協作的層層博弈。需求一旦被博弈稀釋，模型團隊最想要的東西，未必是芯片團隊最優先要做的東西。

這個時候，李飛飛應該已經意識到，要把空間智能這道題的答案真正落地，這件事遲早得解決。關鍵是，怎麼解決？

02

更高維的解法：切入硬件話語權

2026年9月28日，AMD宣佈以約82億美元全股票收購World Labs。交易完成後，李飛飛出任AMD執行副總裁兼首席科學家，直接向蘇姿豐彙報。

這次收購，表面上是 AMD 向物理 AI 補課。

但如果只看到這個層面，就低估了李飛飛自己的謀局。

這筆交易裏，World Labs 的 70 人團隊不是被吞併，而是以相對獨立的研究單元併入 AMD。李飛飛本人直接向蘇姿豐彙報 ，Justin Johnson和Ben Mildenhall繼續帶隊負責模型研發。

她不是去做一個被彙報鏈稀釋的副總裁，而是帶着模型團隊直接對接芯片路線圖。

李飛飛在公開信《To Seek a Newer World》中提到這個決策背後最關鍵的原因：“我們需要擴大研究規模和影響範圍，並更緊密地與硬件結合。如果缺少專門的硬件研發投入，AI的效率和規模都會受到限制。對於我們想要實現的目標而言，它也仍將被困在數字世界中。”

蘇姿豐把這件事，也解釋得很明白：“為下一代 AI 構建計算平台，需要深入理解模型如何演進。李飛飛和 World Labs 團隊帶來了研究領導力和模型專長，攜手合作，我們可以利用這些洞察來開發將驅動下一代 AI 的硬件、軟件和系統。”

翻譯過來就一件事：從這一天起，World Labs 的模型不再只是向 AMD 提需求的客戶，而是坐到了寫需求的那一側。

這不僅僅是敍事的修辭，更是李飛飛對硬件話語權的一次切入。

她過去定義的是“什麼問題是重要的”。這一次，她要定義的是“解決這個問題的工具長什麼樣”。而“更靠近硬件”，就是她給出的一個非常關鍵的答案。

但更靠近硬件不是終點。下一步要考慮的，是如何驗證這條路走不走得通。

03

這一次的評判標準，不再是引用量

這一次的評判標準，與以往任何一次學術成果都不一樣。

首先是技術閉環。

AMD MI450 系列基於 CDNA 5 架構，FP4 算力達 40 PFLOP，FP8 算力達 20 PFLOP，較 MI350 系列翻倍；內存從 288GB HBM3e 升級至 432GB HBM4，帶寬達 19.6 TB/s，較前代提升 2.45 倍。

MI450 將在 2026 年下半年開始量產交付。如果 Atlas 和 Marble 在 MI450 上的性能提升延續 MI325X 上 4 倍提速的曲線，就説明“模型需求反向定義硬件架構”這條路走得通。

反過來，如果 MI450 只是一次普通的工藝升級，沒有針對空間智能的稀疏計算、多視角幾何、相機控制條件下的視頻生成做架構調整，那麼“模型反向定義硬件”的邏輯就只完成了一半：模型團隊進了門，但沒有拿到為它量身定製的芯片。

其次是生態牽引。

World Labs的模型如果只在AMD自家硬件上跑得好，那只是一次定製優化。真正的成功是讓其他做空間智能、做具身智能的團隊也主動選擇AMD的硬件。

正如李飛飛在官宣中強調要“繼續建設覆蓋硬件、軟件、模型和數據平台的開放AI體系”，這個“開放”二字值得注意。

NVIDIA 在 AI 算力市場的統治力，很大程度上來源於與全球各大 AI 實驗室的深度綁定——從真實訓練負載中提前預判下一代模型的特徵。

AMD 這次選擇直接把頂尖模型團隊納入自身體系。但 World Labs 同時承諾維持開放模型與跨平台部署的策略。這意味着 AMD 必須證明：把 World Labs 併入體系之後，不是收窄生態，而是擴大生態。

如果其他團隊因為 World Labs 的模型在 AMD 上跑得更好而轉向 AMD，她的這個選擇，才算真正撬動了競爭格局。如果大家只是看了一場發佈會，轉頭繼續買英偉達，那 82 億美元買的就只是一張入場券，而不是一個生態位。

兩個客觀標準以外，還有一個更根本的問題需要回答：選擇與 AMD 聯手的李飛飛，到底能讓空間智能走多遠？

二十年前ImageNet的成功，不在於數據集本身有多完美，而在於它讓整個領域意識到“數據驅動”才是方向，並且並推動整個社區圍繞這道題不斷嘗試、競爭、突破，最終讓深度學習成為 AI 行業的共識。

而如今，李飛飛自己坐上了答題席。她想建的，是一個從硬件到模型、從平台到開發者的開放生態。如果這件事真能落地，讓空間智能從少數團隊的研究方向，變成整個行業認真對待的技術議程，那才算真正填好了這個坑。

04

結束語

而在這一切被驗證之前，AMD 給出的 82 億美元，已經為整個世界模型賽道提供了價值錨點。

2023年便 All In 3DGS 的知天下創始人宋寬，對此的判斷是：AMD 的這筆收購，讓中國的算力公司、雲計算廠商，乃至更廣義的互聯網巨頭，第一次看到了世界模型和空間智能未來的計算市場到底有多大。這個賽道從此有了一個定量的評估參考。

價格本身也説明瞭問題。World Labs 在 2026 年 2 月 C 輪融資後的估值是 54 億美元。AMD 以 82 億美元全股票收購，比上一輪估值高出約 52%。蘇姿豐本人是World Labs的天使投資人，這次繼續加註，而且是溢價成交。這説明市場對 World Labs 的價值判斷，整體還在往上走。

82 億美元，這個數字會被所有正在做世界模型的團隊引用，也會被所有在看這個賽道的投資人蔘考。

而回看李飛飛這二十年，她真正在意的，從來都是定義“什麼是值得做的下一件事”。

二十年前，李飛飛在普林斯頓一間辦公室裏，面對同事的質疑和經費的拒絕，決定挖一個叫 ImageNet 的坑，然後讓整個深度學習社區答題。

十年前，她走進 Google Cloud，想挖第二個坑，叫“AI 民主化”。她出了題，也想答題，但考卷的命題人不是她，監考人不是她，一場 Project Maven 的輿情風暴更是把她推出了考場。雷峯網雷峯網雷峯網(公眾號：雷峯網)

二十年後，她再次挖了一個叫“空間智能”的坑。這一次，出題的人是她，答題的人也是她。

而接下來評判標準，不再只是論文引用量，而是即將交付的 MI450 的性能曲線、開發者的採用速度，以及“空間智能”能否像“深度學習”一樣，從一個學者的判斷變成一個時代的共識。

為了方便大家抱團交流、互通會議消息，我們專門建了 IROS 2026 參會交流羣！進羣你會解鎖這些「福利」?

• 會議情報站：投稿 DDL、格式規範、評審進度……關鍵節點第一時間送達，再也不怕錯過 deadline，投稿準備穩穩的。

• 同行茶話會：天南海北的同行都在羣裏，聊心得、碰思路、攢人脈，科研路上我們同行。

• 前沿補給站：最新研究成果、熱點方向實時同步，結合會議主題幫你捋清投稿脈絡，給論文靈感加滿油。

• 現場後援團：（會議期間專屬開啓）：到了會場也不用慌——

  路線導航：場館分佈、報告廳怎麼走，羣裏隨時問；

  議題共讀：熱門 session、Keynote 探討，錯過也能追；

  Poster 彙編：現場海報精華整理，一鍵收藏不遺漏；

  約局廣場：約飯局、採訪局、交流局……想嘮嗑、想合作、想面基，羣裏發起就成。

? 進羣傳送門： 掃碼進羣或添加微信Luyoyo_2026，備註：ECCV + 單位/學校+姓名+方向。

搞科研/搞技術，信息差很重要。

來，一起快人一步！

上車，帶你看遍全球 AI 頂會精華

可獨家暢覽：

專家演講PPT

大會報告全文

熱門論文解讀

學術新星訪談

掃描上方二維碼

或點擊「閲讀原文」關注專區。

雷峯網原創文章，未經授權禁止轉載。詳情見轉載須知。