9月28日，AMD宣布签署协议，以约82亿美元的全股票交易收购李飞飞创办的World Labs。交易预计在今年底前完成，仍需监管批准；完成后，李飞飞将出任AMD执行副总裁兼首席科学家，直接向苏姿丰汇报。
这笔交易刚出来时，我第一反应也是：AMD开始押注World Model和Physical AI了。World Labs做的正是这件事。它最新发布的Atlas，可以从文本、图片、视频和3D信息生成、重建和模拟空间环境，应用目标包括机器人、设计和仿真。
但看完苏姿丰和李飞飞接受Bloomberg的联合采访后，我觉得这还不是这笔交易最值得讨论的地方。
苏姿丰在采访里说了一句话：硬件、软件、系统和模型层之间的联系越来越紧密，“你对端到端理解得越多，就越能做出更好的系统”。AMD自己的收购公告说得更直接：World Labs会让AMD更深入理解新模型的工作负载如何变化，并据此影响未来技术路线图。
这句话让我重新看了一遍这82亿美元。AMD当然是在买李飞飞、World Labs的研究团队和World Model技术，但它可能同时在买一种对芯片公司越来越重要的能力：比别人更早知道，下一代AI究竟会怎样使用计算。
AMD已经有GPU了，为什么还需要自己的模型团队
如果AMD只是看好Physical AI，其实不一定非得把World Labs买下来。
AMD本来就是World Labs的投资人，双方从去年开始已经在做模型训练和AMD GPU上的推理优化。今年2月，World Labs刚完成10亿美元融资，投资人除了AMD，还有Nvidia等公司。World Labs在宣布加入AMD时，用了一个很值得注意的说法：为了继续往前推进，它需要扩大规模，并且“更接近硬件”。
李飞飞在采访中的解释更直接。她说，World Labs的野心越来越大，对算力的需求也越来越大；如果和AMD结合，可以加速软件与硬件之间的“flywheel”。模型可以利用最新硬件提高训练、推理和服务效率，而硬件也能从前沿模型那里提前看到未来工作流和需求。
所以，World Labs对AMD的价值，不只是今天已经做出来的Atlas，更是它每天研究下一代模型时，会不断碰到哪些计算瓶颈。
这一点很重要。AMD现在已经把Instinct GPU推进到年度迭代节奏，MI500计划在2027年推出，MI600计划在2028年推出，后面还有新的rack-scale系统。硬件可以一年更新一代，但一颗高性能芯片背后的架构、内存、互联和系统设计，不可能等模型发布以后才临时决定。
问题就出在这里：当硬件真正交付时，你之前判断的“重要AI workload”，还是不是那时最重要的workload？
模型变了，GPU需要优化的问题也会跟着变
过去几年，大部分AI算力讨论都围绕LLM展开，所以我们很容易把“AI GPU”理解成一个相对稳定的东西：矩阵运算更快、显存更大、互联更强，就能服务更大的模型。
但AI现在已经不是只有LLM这一种工作负载了。训练和推理的需求就不同，Agent带来长时间、交互式推理，视频和多模态模型处理的数据更加复杂，World Model和机器人还要处理空间、时间、3D环境和模拟。
Atlas就是一个很具体的例子。它并不是把LLM换成更大的Transformer，而是一个多模态的自回归扩散Transformer，既可以使用LLM常见的KV Cache、服务路由等技术，又具有图像、视频扩散模型的计算特征，还要维持3D空间一致性。World Labs也明确表示，Atlas会随着训练算力增加继续提升。
我并不是说World Model一定会成为下一代AI的主流，更不能因为AMD花了82亿美元，就倒推Physical AI一定会成功。但至少它说明了一件事：未来AI的计算需求会比今天更分散，芯片公司要服务的已经不只是“更大的LLM”。
这时，前沿模型团队就有了另一种价值。它不只是芯片的客户，也可能变成芯片研发的一种“传感器”——模型在哪里变慢、内存在哪里不够、数据搬运哪里浪费、推理为什么延迟高，这些问题会比一份市场报告更早暴露下一代硬件需要解决什么。
OpenAI往下造芯片，AMD往上买模型，走到的是同一个地方
让我觉得这个判断更有意思的，是OpenAI今年做了一个几乎相反的动作。
6月，OpenAI和Broadcom公布了第一颗自研AI推理芯片Jalapeño。OpenAI没有只说“我们也要造芯片”，而是专门解释这颗芯片为什么这么设计：它来自OpenAI对模型、kernel、serving system、内存移动、网络以及真实产品负载的长期理解。Jalapeño还试图通过减少数据移动、重新平衡计算、内存和网络资源，让真实利用率更接近理论能力。
换句话说，OpenAI认为，自己每天运行ChatGPT、Codex和API得到的经验，可以直接写进芯片架构。
这和AMD买World Labs看起来方向完全相反。OpenAI原本在模型层，现在往下进入芯片；AMD原本在芯片层，现在往上建立自己的Frontier Model团队。但两边最后解决的是同一个问题：模型和硬件之间的反馈链太长了。
以前模型公司提出需求，云厂商反馈给芯片公司，芯片公司再做下一代产品。等硬件真正出来，模型架构、推理方式甚至产品形态可能已经变了一轮。如果能让做模型的人更直接参与计算平台定义，或者让造芯片的人直接看到模型研发最前沿发生了什么，中间的信息损耗就会少很多。
AMD补的不是所有东西，而是这个反馈闭环
把AMD过去两年的动作串起来看，会更容易理解World Labs为什么会出现在这里。
2024年，AMD花约6.65亿美元收购Silo AI，补模型和AI软件能力；2025年完成ZT Systems收购，补大型AI系统和rack-scale设计能力；现在再用82亿美元买World Labs，把前沿模型研究也拉进来。
但我不太愿意把这简单概括成“AMD要做全栈”。一个很有意思的细节是，AMD完成ZT Systems收购之后，又把数据中心基础设施制造业务卖给Sanmina，自己保留rack-scale系统设计和客户支持能力。
这说明AMD未必想什么都自己做。制造可以交给合作伙伴，但系统怎么设计、软件怎么优化、模型需要什么，这些会直接影响下一代芯片的环节，它希望离自己更近。
当然，这笔收购并不能证明AMD从此会比Nvidia更懂AI。AMD本来就和OpenAI、Anthropic、Meta等模型公司有深入合作，外部客户同样可以告诉它真实需求；World Model最终能发展到多大，也还有很大的不确定性。
所以，我不会把这82亿美元理解成AMD找到了打败Nvidia的新武器。
但它确实让我看到，AI芯片竞争正在多出一个以前没有这么显眼的变量。我们过去总在问，下一代GPU能不能更快、显存能不能更大、能效能不能更高。这些当然还重要。但在模型快速变化、AI workload越来越分化的时候，芯片公司还有一个更麻烦的问题要提前回答：几年以后，最重要的AI究竟会怎样使用这颗GPU？
从这个角度看，苏姿丰花82亿美元请来李飞飞，AMD真正想缩短的，也许并不是下一颗GPU的研发时间，而是从“模型出现新的计算需求”到“AMD知道下一颗芯片应该怎么改”之间的距离。
更快的GPU仍然重要。但如果连未来的AI会需要什么都看不清楚，跑得再快，也可能跑错方向。