李飛飛挖的三個「坑」：從 ImageNet 到空間智能，這一次她會怎麼填？

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 峰 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 和機器人平臺，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裡唯一在下注的人。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——算法在實驗室裡跑得通，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，說“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，卻影響不了這臺商業機器怎麼運轉。

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多天時間裡，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裡重複過一句話：宇宙不是由文字構成的，而是由真實事物構成的。LLM 再強大，也活在二維屏幕裡：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主題演講舞臺。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，還隔著議價、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。

這筆交易裡，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，而是帶著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 構建計算平臺，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。這不僅僅是敘事的修辭，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，就說明“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、模型和數據平臺的開放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臺部署的策略。這意味著 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、從平臺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。價格本身也說明了問題。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。

這說明市場對 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參考。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裡，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。

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 參會交流群！進群你會解鎖這些「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群裡，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：（會議期間專屬開啟）：到了會場也不用慌——路線導航：場館分佈、報告廳怎麼走，群裡隨時問；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，群裡發起就成。?進群傳送門： 掃碼進群或添加微信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「閱讀原文」關注專區。