物理AI不再只拼算力

边缘计算社区 2026-11-21 19:59
让机器人从货架上抓取一个纸箱,看起来并不复杂。但只要纸箱移动几厘米,或者周围突然出现障碍物,机器人就可能抓取失败。对人类而言微不足道的环境变化,对机器来说却可能意味着一次全新的任务。
这也是物理AI面临的现实困境:大模型已经能够写代码、生成视频、处理复杂问题,但要让机器人在真实环境中稳定工作,仍需要大量训练、测试和工程调试。
物理AI不再只拼算力图1
就在这个问题尚未解决时,芯片巨头AMD做出了一笔不同寻常的收购。
2026年11月16日,AMD正式宣布完成对李飞飞创办的World Labs的收购。根据此前披露的协议,这笔全股票交易价值约82亿美元。李飞飞出任AMD执行副总裁兼首席科学家,直接向CEO苏姿丰汇报。
物理AI不再只拼算力图2
World Labs并不生产GPU,它的核心研究方向是世界模型、交互式3D环境生成,以及机器人学习和仿真。一家靠计算硬件赚钱的公司,为什么愿意花如此大的代价,买下一家研究虚拟世界的公司?
答案可能是,物理AI的竞争正在发生变化。过去,行业更关注谁能提供更多算力;未来,决定竞争力的可能是模型、芯片、仿真和真实设备能否形成高效协同。

01
机器人真正缺的是什么
物理AI不再只拼算力图3

大语言模型能够取得今天的成绩,一个重要原因是互联网提供了海量训练数据。文本、图片和视频让AI能够学习人类积累的知识,但机器人没有同样丰富、可以直接用于动作训练的数据资源。
假设要训练一台机械臂,从凌乱的工作台上拿起不同形状的零件。真实训练往往意味着反复摆放物体、执行动作、观察结果,再重新开始。如果动作失败,工作人员可能还需要扶正物体、清理现场,甚至检查设备有没有损坏。
更麻烦的是,同一个动作在不同环境中未必有效。金属零件可能因为表面反光,让视觉系统误判位置;塑料盒可能因为摩擦系数不同,从夹爪中滑落;柔软物品则可能在被抓起时发生形变。这些细节都可能影响机器人最终能否完成任务。
语言模型答错一道题,可以重新生成答案;机器人在生产线上犯错,却可能造成停机、设备损坏甚至安全事故。因此,物理AI面对的核心难题,不只是模型够不够聪明,而是如何以足够低的成本,让机器积累足够多的真实世界经验。
世界模型因此受到关注。
简单来说,传统生成式AI更擅长回答“世界看起来是什么样”,世界模型则试图进一步回答:“如果在这个世界里采取一个动作,接下来会发生什么?”
例如,机器人推动纸箱,纸箱应该向哪个方向移动;机械臂抓取杯子,杯子是否会滑落;改变观察角度后,原本被遮挡的物体又应该出现在哪里。这些问题涉及的不只是视觉内容生成,还包括对空间结构、环境状态和物体运动规律的理解。
不过,生成一个看起来真实的三维世界,并不意味着模型真正掌握了物理规律。对于游戏和影视制作,画面足够逼真可能已经满足需求;对于机器人训练,错误的碰撞反馈、摩擦系数或物体重量,却可能让机器人学会一套现实中无法执行的动作。
物理AI不再只拼算力图4
因此,物理AI需要的不只是逼真的虚拟场景,而是能够让机器人反复试错、并且尽可能符合物理规律的仿真环境。
当真实世界的每一次试错都很昂贵,能够反复使用的虚拟世界,就开始具有商业价值。

02
虚拟世界,也是一门算力生意
物理AI不再只拼算力图5

世界模型并不是突然出现的技术。
过去,游戏引擎、工业仿真软件和数字孪生系统就已经能够构建三维环境,但传统仿真高度依赖人工建模和规则配置。
以模拟一座工厂为例,开发者需要建立设备模型、设置材料属性、配置碰撞关系,再为不同任务编写逻辑。每增加一类任务,都可能带来新的建模和维护成本,而生成式AI的进入,正在改变这一过程。
2025年11月,World Labs推出Marble,可以根据文本、图片和视频生成可探索的三维世界。2026年11月5日,公司又展示了基于Atlas模型的实时交互研究预览Frameboy。用户可以通过浏览器控制视角,由云端GPU持续生成画面,最高达到每秒15帧。
每秒15帧,意味着系统平均每约67毫秒生成一帧画面,已经能够支持一定程度的连续交互,但距离许多实时图形应用常见的30帧、60帧体验还有差距。World Labs也承认,这套系统目前仍需要强大的云端GPU,运行成本并不低。
物理AI不再只拼算力图6

另一边,Google DeepMind在2025年展示的Genie 3,已经能够以720p分辨率、每秒24帧的速度生成可交互环境,并在数分钟内保持一定的场景一致性。虽然两套系统的任务和实现方式不同,不能直接按照帧率比较技术优劣,但它们共同说明,世界模型正在从一次性内容生成走向持续交互。
这种变化对计算平台的影响不容忽视。
过去,生成一张图片,计算完成后任务就结束了。未来,如果要让机器人在虚拟世界中连续行动,系统就需要不断更新环境状态、模拟物体运动、计算碰撞结果,并根据机器人动作生成新的观察信息。
这些任务对硬件的要求并不相同。大模型训练强调计算吞吐和显存容量,实时世界生成关注推理速度和延迟,物理仿真涉及CPU、GPU及相关软件系统,而机器人控制还需要稳定、可预测的实时响应。
因此,物理AI的计算需求,并不能简单通过增加GPU数量来满足。更高的峰值算力,不一定意味着更低的系统延迟;更大的模型,也不一定意味着更可靠的机器人行为。
真正的问题开始从“需要多少算力”,转向“如何让不同计算任务更高效地协同运行”。
对芯片厂商而言,这意味着一个新的机会:如果能够提前参与世界模型研究,就有可能更早理解下一代AI的计算需求,并据此优化芯片架构和软件系统。

03
AMD买的不是一家模型公司
物理AI不再只拼算力图7

AMD为什么选择在这个时间点收购World Labs?
物理AI不再只拼算力图8
从财报来看,这并不是一家芯片公司因为主业增长乏力,而被迫寻找新的增长方向。
2026年第三季度,AMD实现营收约133.8亿美元,同比增长45%。其中,数据中心业务营收约85.5亿美元,同比增长97%;嵌入式业务营收约11.1亿美元,同比增长29%。
数据中心业务接近翻倍,说明AMD当前并不缺少AI算力需求。但需求旺盛并不意味着未来的计算架构不会改变,尤其是在AI模型持续快速迭代的背景下。
芯片研发通常需要较长周期,而AI模型的算法和工作负载可能在更短时间内发生变化。对于芯片公司而言,真正的风险不仅是现有产品卖不出去,还包括投入大量资源开发下一代芯片后,发现客户的计算需求已经改变。
World Labs的价值,可能就在这里。
这家公司成立于2024年,主要研究空间智能和世界模型,技术路线已经从生成三维环境延伸到机器人学习和仿真。2026年7月,World Labs收购机器人仿真公司SceniX,进一步推进Real-to-Sim-to-Real,也就是“现实—仿真—现实”的技术路线。
其基本思路是,先把真实任务转化为可控的仿真环境,再在虚拟环境中制造大量变化,用于训练和评估机器人,最后将得到的策略部署到真实设备。
例如,一台机器人需要学习整理桌面,研究人员可以在虚拟环境中反复改变物品的位置、形状和光照条件,让机器人接触更多情况,而不必每次都重新布置真实场景。
World Labs公布的早期研究显示,部分机器人策略可以在仿真环境中完成训练后迁移到真实设备执行任务,部分演示还实现了连续一小时的自主运行。不过,这些仍是特定研究任务下的成果,并不代表通用机器人已经解决现实部署问题。
对于AMD而言,更重要的是这些技术背后的计算需求。模型训练、场景生成、机器人仿真、策略评估和实际推理都需要算力,但不同环节对计算架构、存储和延迟的要求并不相同。
如果AMD能够在模型研发阶段就理解这些需求,就有机会让未来的GPU、CPU、编译器和软件系统提前适应新型工作负载,而不是等模型成熟后再进行被动优化。
事实上,双方并不是收购前毫无联系。World Labs在2026年9月的公告中披露,双方此前已经开展技术合作,包括在AMD GPU上进行模型训练和推理优化。从技术合作走向收购,意味着AMD希望进一步缩短模型研究和芯片研发之间的距离。
另一个值得关注的细节是,2026年11月17日,也就是完成World Labs收购后的第二天,AMD又宣布完成对专用AI推理芯片公司Taalas的收购。
物理AI不再只拼算力图9
一边收购世界模型研究团队,一边收购专用推理芯片技术,两笔交易虽然不能直接证明AMD已经完成物理AI平台整合,但至少显示出其战略方向。
World Labs能够帮助AMD理解下一代模型可能需要什么,Taalas则提供优化特定推理任务的硬件技术。前者从算法需求出发,后者从计算效率入手,两者都指向更紧密的软硬件协同。
AMD真正想争夺的,可能不只是下一代AI芯片的订单,而是下一代AI计算平台的定义权。

04
物理AI的终点,在边缘侧
物理AI不再只拼算力图10

如果只看世界模型的生成能力,很容易将它理解成更高级的三维内容工具。但对边缘计算产业而言,更值得关注的是,这些能力最终如何进入真实设备,并转化为稳定、可持续的生产力。
一套物理AI系统,未来可能形成这样的工作流程:数据中心负责大规模模型训练和仿真,边缘设备负责实时感知、决策和动作执行,而真实设备运行过程中产生的数据,又会返回云端用于改进模型。
以仓储机器人为例,当机器人在现场遇到一种从未见过的障碍物组合时,系统可以记录失败案例,将其转化为新的仿真任务,训练并测试改进后的策略,再经过安全验证部署到设备。这样,真实设备就不只是AI模型的执行终端,也成为持续产生训练经验的入口。
这种闭环将改变云端和边缘端之间的分工。
云端需要更强的计算吞吐、更大的显存容量以及更高效的仿真系统,边缘端则需要在功耗、散热、成本和网络连接等限制下,满足实时响应与可靠性的要求。
一台工业机器人不可能在每次遇到障碍物时,都将全部传感器数据发送到远程数据中心,等待云端给出动作指令。网络延迟、连接中断以及安全要求,都决定了关键控制任务必须具备本地执行能力。
因此,世界模型的发展并不意味着所有计算都会集中到云端。恰恰相反,云端模型越复杂,边缘端如何高效承接模型能力,就越值得关注。
未来的物理AI系统,可能需要将复杂的世界建模、策略训练和实时控制分层处理:云端负责大规模试错,边缘端负责可靠执行,现场数据持续反哺模型。
物理AI不再只拼算力图11
这也可能改变企业采购计算设备的标准。
过去,客户采购AI服务器时,往往关注GPU性能、显存容量和单位算力成本。未来,机器人企业可能更加关心,在同样的计算预算下,可以完成多少次有效训练、覆盖多少种异常情况,以及模型从仿真迁移到真实设备后,究竟能提高多少任务成功率、降低多少部署成本。
这些指标比单纯的峰值算力更接近客户的真实需求,也更能体现一套计算系统的商业价值。
当然,物理AI距离大规模商业化仍有不少障碍。虚拟世界再逼真,也无法完全复制现实中的材料形变、传感器噪声和复杂接触。仿真中表现良好的模型,到了现场依然可能失效,而解决这些问题需要模型算法、物理建模、芯片设计和工程验证共同发挥作用。
AMD收购World Labs,并不意味着这些难题已经被解决。目前公开资料也不足以证明,双方已经实现明确的成本、功耗或部署效率改善。最终能否形成商业价值,还需要实际产品和客户验证。
不过,这笔收购至少说明,芯片巨头已经开始重新思考AI算力的价值。
物理AI下一阶段真正稀缺的,可能不是单一环节的最高性能,而是将模型、芯片、仿真和真实部署连接起来的系统能力。
回到开头的仓库。决定机器人能否真正进入工厂的,不是它第一次成功抓起纸箱的演示视频,而是它在成千上万次操作中,能否持续应对那些从未见过的变化。
要做到这一点,机器不仅需要理解世界,还需要足够便宜、足够可靠的计算系统。AMD花约82亿美元收购World Labs,押注的或许正是这两种能力最终会走向融合。
过去,AI产业习惯用算力规模衡量技术进步;但当AI真正走向物理世界,芯片的价值可能需要换一种方式衡量。不是它每秒能够完成多少次计算,而是这些计算,最终能让机器在真实世界里完成多少工作。

2026-11-05

2026-11-09

2026-11-15

关于科技区角:国内科技展会垂直内容策划服务商,提供从论坛内容全案策划、会展市场化IP打造到精准专业观众一站式邀约服务,以产业内容吸引高质量B端人群,打通展会从议题设计、演讲嘉宾邀约、宣传预热、精准邀观到供需对接全链路。
声明:内容取材于网络,仅代表作者观点,如有内容违规问题,请联系处理。
AI
more
美股一夜崩盘,AI泡沫真要破了?
4万亿美元砸向AI,近六成交给了服务器
大规模封号来了!OpenAI开打反蒸馏战
AI给乐队现场搓MV,这是黑客松还是音乐节啊
对AI说「下次注意」没用!马斯克麾下工程师:把纠错锁进代码
手搓12年,人类数学家证明黎曼猜想却被AI截胡!陶哲轩邓煜回应
全球领先的 AI 基础设施供应链如何创造未来
聊一聊:你每个月给 AI 花多少钱?
AI 设计芯片最新实用成果:不到 5 个月,大模型重写AMD旗舰GPU RTL,PPA提升14%!
【系统】华为PuraXView全新AI圆环上线
Copyright © 2025-成都区角科技有限公司
蜀ICP备2025143415号-1
  
川公网安备51015602001305号