新闻详情

新闻详情

首页 / 资讯中心 / 详情

AMD 82 亿美元买下李飞飞的 World Labs:卖铲子的,开始自己研究矿脉了

发布时间:2026/11/16 0:19:44来源:尧图网络
AMD 82 亿美元买下李飞飞的 World Labs:卖铲子的,开始自己研究矿脉了
昨天最反直觉的一笔交易AMD 以约 82 亿美元的股票收购 World Labs——李飞飞创办的空间智能公司。交易完成后李飞飞将出任 AMD 执行副总裁兼首席科学家。注意收购标的的性质。这不是又一家芯片公司也不是做推理优化的工具厂商而是一个研究空间智能与三维环境模拟的实验室。一、为什么是空间智能要理解这笔钱花在哪得先看清楚算力需求的结构变化。过去三年的算力大头是语言模型输入 token、输出 token workload 形态高度规整比的就是矩阵乘法的吞吐。但具身智能、机器人、世界模型这类任务不一样——它们要处理的是三维重建、几何一致性、物理仿真、长时序的空间记忆。这类负载对显存带宽、几何计算单元、仿真吞吐的要求与大语言模型完全不同。换句话说如果下一波算力需求来自物理世界那么芯片该优化什么就不再是语言模型厂商说了算的。AMD 买的是定义下一代 workload 的能力。World Labs 的核心方向正是从二维图像重建三维环境、并让模型理解其中的空间关系。把这个能力内化进芯片设计流程意味着 AMD 可以用真实的模型工作负载反过来驱动架构决策而不是等客户跑出问题再来补丁。二、这背后的两个转向其一模型研究正在被硬件厂商吸收。过去的分工是实验室出模型芯片厂出算力中间靠 benchmark 对齐。现在 AMD 直接把实验室买进来等于把反馈回路缩短了。这在英伟达那边也有对应动作——它一方面做全栈软件一方面持续投资模型与应用侧。其二物理 AI 的位置被正式抬高了。82 亿美元的定价买的不是现有营收而是这个方向值多少钱的共识。AMD 在机器人、仿真等物理 AI 领域与英伟达正面对抗的意图写在这次交易的结构里。三、AMD 与英伟达两条路线的分野两条路线的对照基于公开策略整理非官方表述英伟达全栈封闭CUDA 生态 自有网络 自有软件层AMD开放平台ROCm 生态 收购模型研究能力补设计闭环共同点都在把模型/应用能力内化为芯片设计输入分歧点生态开放度与软件栈锁定策略需要说明的是这张表是基于公开动作做的归纳两家公司都没有这样表述过自己的战略。我把它列出来只是为了看清结构不必当成官方定位。四、对普通开发者意味着什么仿真与世界模型负载会被硬件加速如果你在做机器人、自动驾驶、3D 内容生成未来两三年硬件侧的收益会明显高于纯语言任务ROCm 生态值得重新看一眼有真实模型团队做设计输入后工具链的针对性优化通常会在几个版本内体现出来选型别押单一栈具身智能方向的硬件格局远未定型现在锁死生态风险不小。五、我的保留几点必须说清楚82 亿美元买的是一个研究团队这类交易的估值逻辑建立在方向判断上而非现金流。判断错了减值会很难看整合风险不小研究型实验室进入芯片公司后的文化冲突、人员流失业内失败案例不少技术落地周期长从空间智能研究到芯片架构受益中间至少隔一到两个产品周期短期财报上看不到目前公开信息里缺少交易细节支付方式、业绩承诺、World Labs 现有商业合同如何处理本文不涉及。我个人的倾向是这笔交易的方向判断我认同价格判断我没有把握。真正值得跟踪的信号不是发布当天的新闻稿而是18 个月后 AMD 的芯片在几何/仿真类负载上是否真的有代际优势。在那之前它只是一个昂贵的赌注。本文基于 2026-09-28 至 09-29 的公开报道整理仅供参考不构成投资建
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉