10億美元涌入楊立昆新公司，AI世界模型成新戰場

一個大語言模型寫詩、答題、總結報告，它表現得游刃有余。但如果你讓它預測一個玻璃杯從桌邊滑落后會發生什么，或者指揮一臺機器人在雜亂的車間里搬運零件，它很可能一塌糊涂。

Google DeepMind首席執行官德米斯·哈薩比斯也在公開場合指出，當前AI存在"智能不均衡"的問題，能解出高難度數學題，卻搞不定基本的物理直覺。

這個判斷，正在引發AI行業有史以來規模最大的一次技術路線轉向。

2026年3月，楊立昆離開Meta后創立的新公司Advanced Machine Intelligence（AMI Labs）完成了10.3億美元的種子輪融資，估值約35億美元，投資方包括英偉達和多家頂級機構。這距離李飛飛創立的World Labs完成10億美元融資，僅僅過去了數月。

兩家公司押注的，是同一個賽道："世界模型"。

世界模型的核心思路，是為AI構建一套內部的物理模擬器，讓它在真正行動之前，能夠在腦子里先"預演"后果。這與人類思考方式更為接近，也是機器人、自動駕駛和工業自動化等實體應用真正落地所必需的能力基礎。

"世界模型"并非一種單一的技術，它是至少三種截然不同的技術路線的統稱，每一條路線背后的邏輯、優勢和適用場景都大相徑庭。

第一條路是楊立昆力推的JEPA路線，即聯合嵌入預測架構。

JEPA的關鍵在于"放棄細節"。傳統模型試圖在像素級別預測世界的每一幀畫面，而JEPA學的是更抽象的"規則"，它會丟掉背景樹葉上的光影變化，專注于理解場景中物體運動的核心模式，就像人類看一輛車行駛時追蹤的是軌跡和速度，而不是每片窗玻璃的反光角度。

這種"放棄"帶來的好處是極高的效率。JEPA模型計算量小、延遲低、對噪聲不敏感，非常適合對實時響應要求苛刻的機器人控制和醫療輔助決策。Meta的V-JEPA 2是這一路線目前最成熟的公開成果，已被證明能在視頻理解任務中達到業界領先水準。

第二條路是World Labs代表的高斯散射（Gaussian Splatting）路線。

第三條路是Google DeepMind和英偉達主導的端到端生成路線。

DeepMind的Genie 3和英偉達的Cosmos平臺，代表的是一種最為激進的方案：模型本身就是物理引擎。它實時接收用戶操作，逐幀生成場景、物理動力學和光照響應，而不是把結果輸出到外部引擎。Genie 3已經被Waymo用于訓練自動駕駛系統，英偉達Cosmos則專門為機器人和自動駕駛開發者提供合成極端場景的能力，讓高風險的真實路測變成可以無限重復的數字實驗。

這條路線的代價是高昂的算力消耗，但它提供了目前最為靈活和強大的合成數據工廠能力。

三條路線之間并非非此即彼的競爭關系，混合架構正在出現。大語言模型繼續承擔推理和溝通的接口角色，而世界模型在后端處理物理和空間信息，二者分工協作，各司其職。

超過20億美元的資本押注，正在告訴整個行業：下一個AI時代的入場券，是理解物理世界的能力，而不僅僅是預測下一個詞。