企业官网建设流程全解析

1. 这笔交易到底在买什么

1.1 从标题拆解三层信息

“AMD 82 亿美元买下李飞飞的 World Labs”，这个标题里其实压了三层信息，每一层都值得单独拎出来说。

第一层是资本动作：82 亿美元，全现金还是换股、分几年支付、有没有对赌，这些细节决定了这笔交易的含金量。从行业惯例看，这种量级的收购通常会采用“现金+股票”的混合结构，并且附带核心团队留任条款。李飞飞本人作为 World Labs 的联合创始人，她的去留和角色安排，往往比收购金额本身更能说明 AMD 的真实意图。

第二层是技术资产：World Labs 做的不是普通的 AI 模型，而是世界模型（World Model）。这个词最近两年被反复提及，但真正能说清楚它和普通大语言模型区别的人并不多。简单讲，语言模型学的是“词与词之间的关系”，世界模型学的是“状态与状态之间的转移规律”。前者能写文章、能对话，后者能预测“如果我推一下这个杯子，它会往哪个方向倒”。

第三层是战略意图：标题后半句“GPU 之争打到了模型层”，这才是整件事的题眼。AMD 在硬件层面追了英伟达很多年，MI 系列加速卡在纸面参数上已经不落下风，但软件生态和模型适配始终是短板。买下 World Labs，等于直接买了一个“模型层入口”，让自家的 GPU 有了一个非买不可的理由。

1.2 为什么是 World Labs 而不是别的团队

市面上做世界模型的团队不止一家，为什么 AMD 偏偏选中了 World Labs？我个人的判断有三点。

第一，李飞飞的学术号召力。她在计算机视觉领域的地位无需多言，ImageNet 这个数据集直接催生了深度学习的第一波浪潮。有她坐镇，World Labs 在招人、发论文、拿数据合作方面都有天然优势。AMD 买的不仅是技术，更是这个团队持续产出前沿成果的能力。

第二，世界模型和 GPU 的强绑定关系。世界模型的训练和推理，对显存带宽、并行计算能力、低精度计算支持的要求极高。它不像普通语言模型那样可以靠堆参数糊弄过去，世界模型必须真正理解物理规律，这意味着它对硬件的要求是刚性的。AMD 买下 World Labs，等于给自己找了一个“最能吃满 GPU 性能”的应用场景。

第三，时间窗口。2024 年到 2025 年，世界模型从学术概念走向工程落地的速度明显加快。自动驾驶、机器人、游戏引擎、工业仿真，这些领域都在寻找可用的世界模型方案。AMD 如果等到市场成熟再入场，议价权就完全不在自己手里了。82 亿美元看着贵，但放在“卡位”这个逻辑下，其实是一笔划算的买卖。

1.3 对普通开发者的实际影响

很多读者可能会想：巨头收购跟我有什么关系？我又不买 AMD 的股票。但这件事对一线开发者的影响，比想象中要直接。

最直接的变化是工具链的迁移成本。如果 AMD 真的把 World Labs 的模型和 ROCm 生态打通，那么未来做世界模型相关开发时，你可能会多一个非英伟达的选择。多一个选择，就意味着多一份议价权，也意味着 CUDA 的护城河不再那么牢不可破。

其次是模型层的技术路线分化。英伟达有自己的 Cosmos 世界模型平台，AMD 收了 World Labs，两家在模型层的竞争会倒逼整个行业加快迭代。对开发者来说，这意味着未来一两年内，世界模型的开源实现、预训练权重、微调工具会大量涌现。现在开始关注这个方向，不算早，但也绝对不晚。

2. 世界模型到底难在哪

2.1 和语言模型的本质区别

要理解 AMD 这笔收购的价值，必须先搞清楚世界模型和语言模型到底差在哪。我用一个生活化的类比来说明。

语言模型像是一个博览群书但从未出过门的人。你问他“苹果从桌上掉下来会怎样”，他能根据读过的书告诉你“会掉到地上”。但他没有真正见过苹果掉落，也不知道苹果落地时会不会弹起来、会不会滚远、会不会砸到猫。他的回答是基于文本统计的，不是基于物理直觉的。

世界模型则像是一个从小在果园长大的人。他见过成千上万次苹果掉落，知道熟透的苹果落地会闷响一声然后裂开，青苹果落地会弹两下再滚走。他不需要查书，他的预测来自对物理世界的内部建模。

这个区别在工程上意味着什么？意味着世界模型必须处理连续状态空间、长时序依赖和多模态输入。语言模型的输入是离散的 token 序列，世界模型的输入是连续的视频帧、传感器读数、动作指令。语言模型的输出是下一个 token 的概率分布，世界模型的输出是下一时刻世界状态的预测。

2.2 训练世界模型的三个硬骨头

第一个硬骨头是数据。语言模型可以爬网页，世界模型不行。它需要的是带有物理交互信息的视频、机器人操作日志、仿真环境中的状态转移记录。这类数据的采集成本极高，而且标注难度大。World Labs 在这方面积累了什么，是这笔收购中最难被复制的部分。

第二个硬骨头是架构。目前主流的世界模型架构大致分两派：一派基于 Transformer 做视频预测，另一派基于扩散模型做状态生成。两派各有优劣，Transformer 派擅长长时序建模但计算量大，扩散派生成质量高但推理速度慢。World Labs 具体走哪条路线，从公开信息看更偏向 Transformer 与扩散的混合架构，这也是为什么它对 GPU 的并行计算能力要求特别高。

第三个硬骨头是评估。语言模型可以用困惑度、BLEU、人工评分来评估，世界模型的评估标准至今没有统一。你怎么判断一个世界模型“理解”了物理规律？是看它预测的视频帧和真实帧的像素差距，还是看它在下游任务（比如机器人抓取）中的成功率？评估标准不统一，意味着训练过程中的调参极度依赖经验，这也是为什么这个领域至今没有出现“大力出奇迹”的通用方案。

2.3 AMD 的 GPU 在这个场景下的优势与短板

AMD 的 MI300X 在纸面参数上对标英伟达的 H100，显存容量甚至更大。对于世界模型这种“吃显存”的任务，大显存是实打实的优势。训练世界模型时，batch size 往往受限于显存，显存越大，单次能处理的视频帧越多，训练效率越高。

但短板也很明显。ROCm 生态的成熟度和 CUDA 还有差距。很多世界模型的开源实现默认只支持 CUDA，迁移到 ROCm 需要改代码、调算子、重新验证数值精度。这个迁移成本，是 AMD 必须替开发者承担的。买下 World Labs，某种程度上就是在说：“你们不用自己迁移了，我直接把模型和工具链一起给你们。”

另一个短板是低精度计算的稳定性。世界模型训练中大量使用 FP8 和 BF16，AMD 的 MI300X 在这些精度下的数值稳定性，和英伟达相比还有优化空间。这不是硬件问题，更多是编译器和算子库的成熟度问题。World Labs 的团队如果能把这块调通，对 AMD 整个软件生态都是巨大的贡献。

3. 从硬件到模型层的竞争逻辑

3.1 英伟达的 Cosmos 平台做了什么

英伟达在 2025 年初发布了 Cosmos 世界模型平台，定位是“物理 AI 的基础设施”。它的核心思路是：提供预训练的世界模型权重，提供基于 Omniverse 的仿真环境，提供从数据生成到模型部署的全套工具链。开发者拿到的不是一个孤立的模型，而是一个完整的闭环。

这个策略的高明之处在于，它把 GPU 的销售从“卖硬件”变成了“卖解决方案”。客户买的不是一张卡，而是一套能跑通世界模型训练和推理的完整环境。一旦客户的代码、数据、工作流都绑在 Cosmos 上，迁移成本就变得极高。

AMD 如果只是卖 GPU，永远只能打价格战。但买下 World Labs 之后，AMD 就有了自己的“模型层故事”。它可以对客户说：你不需要自己从头训练世界模型，World Labs 的预训练权重可以直接用，而且我们保证在 MI 系列卡上跑得最快。

3.2 模型层为什么是必争之地

硬件层的竞争，最终会收敛到“每美元算力”这个单一指标上。但模型层的竞争不一样，它涉及生态锁定、数据飞轮和标准制定权。

生态锁定很好理解：开发者的代码一旦围绕某个模型架构写好了，换架构的成本极高。数据飞轮指的是：模型用得越多，收集到的反馈数据越多，模型迭代越快，新用户越难追赶。标准制定权则更微妙：如果 World Labs 的模型接口成为行业事实标准，那么所有想兼容这个标准的硬件厂商，都必须优先适配 AMD 的 GPU。

这三者叠加起来，就是模型层的战略价值。AMD 花 82 亿美元，买的不是 World Labs 现在的收入，而是未来在模型层的话语权。

3.3 对 GPU 租用市场的影响

热词里出现了“gpu租用”，这其实和这笔收购有直接关系。目前 GPU 租用市场基本被英伟达卡垄断，价格居高不下。如果 AMD 通过 World Labs 证明了自己的卡在世界模型任务上同样能打，那么租用市场就会出现分化。

对中小团队来说，这意味着做世界模型相关实验时，可以先用 AMD 的卡跑通流程，再决定要不要迁移到英伟达。多一个供应商，就多一份议价空间。而且 AMD 为了推广自己的生态，大概率会在早期给出更有竞争力的租用价格。

不过要注意，租用 AMD 卡做世界模型训练，目前还需要自己处理不少环境配置问题。ROCm 的安装、PyTorch 的编译、算子库的适配，这些在英伟达生态里是开箱即用的，在 AMD 生态里可能需要折腾一阵。这个折腾成本，在评估租用方案时必须算进去。

4. 开发者现在能做什么

4.1 环境配置的实操建议

如果你现在就想在自己的机器上跑世界模型相关的实验，不管是英伟达还是 AMD 的卡，环境配置都是第一道坎。我把自己踩过的坑整理一下。

英伟达路线相对成熟。装好驱动之后，用 conda 建一个虚拟环境，然后按 PyTorch 官网的指令安装对应 CUDA 版本的 PyTorch 即可。需要注意的是，世界模型训练往往需要额外的视频处理库和仿真环境，这些库对 CUDA 版本有严格要求，装之前一定要看清楚版本对应关系。

AMD 路线目前还在完善中。ROCm 的安装比 CUDA 麻烦一些，不同 Linux 发行版的步骤差异较大。装好 ROCm 之后，PyTorch 需要从 AMD 的官方源安装，而不是 pip 默认源。装完之后建议先跑一个简单的矩阵乘法测试，确认 GPU 能被正确识别和调用。

提示：无论哪条路线，都建议先用小规模数据跑通全流程，再上大规模训练。世界模型的调试周期比语言模型长得多，前期把环境问题解决干净，后面能省很多时间。

4.2 模型选型的考量因素

目前开源的世界模型方案有好几个，选哪个取决于你的具体任务。

选型时不要只看论文里的指标，要看推理延迟和显存占用。世界模型和语言模型不同，它对实时性的要求往往更高。一个在论文里指标很好的模型，如果推理一帧要几百毫秒，在机器人控制场景里就是不可用的。

4.3 微调世界模型的注意事项

微调世界模型和微调语言模型是两回事。语言模型微调可以只调 LoRA，世界模型微调往往需要动更多层。

第一，数据质量比数量重要。世界模型对数据的物理一致性要求极高。如果训练数据里存在物理上不可能的状态转移，模型会学到错误的规律。清洗数据时，要特别关注帧间连续性、动作与状态变化的对应关系。

第二，学习率要保守。世界模型的损失曲面比语言模型更复杂，学习率设大了很容易发散。我一般从 1e-5 开始试，如果 loss 震荡就再降一个数量级。

第三，验证集要按场景划分。不能随机划分验证集，要按场景划分。比如用室内场景训练，就用室外场景验证。这样才能看出模型是真的学到了物理规律，还是只是记住了训练场景的纹理。

5. 常见问题与排查技巧

5.1 环境配置类问题

问题一：AMD 卡上 PyTorch 识别不到 GPU。

先确认 ROCm 是否安装成功，用rocminfo命令查看。如果 ROCm 正常但 PyTorch 识别不到，大概率是 PyTorch 版本和 ROCm 版本不匹配。AMD 官方有版本对应表，装之前一定要查。

问题二：训练过程中显存溢出。

世界模型的显存占用和视频帧数、分辨率、batch size 都相关。优先降分辨率，再降帧数，最后降 batch size。降分辨率对显存的影响最直接，但对模型性能的影响也最大，需要权衡。

问题三：多卡训练时通信瓶颈。

世界模型的多卡训练对卡间带宽要求很高。如果用的是 PCIe 而不是 NVLink 或 Infinity Fabric，通信可能成为瓶颈。这种情况下，可以考虑用梯度累积代替多卡并行，虽然慢一点，但至少能跑通。

5.2 训练过程类问题

问题四：Loss 下降但生成质量差。

这是世界模型训练中最常见的问题。Loss 下降只说明模型在训练集上的预测误差在减小，不代表它学到了正确的物理规律。这时候要看验证集上的表现，如果验证集 loss 也在降但生成质量差，可能是模型过拟合了训练场景的纹理，没有学到通用规律。

问题五：长时序预测发散。

世界模型预测步数多了之后，误差会累积，最终导致预测结果完全偏离。这是世界模型的固有难题。缓解方法包括：用 scheduled sampling 逐步增加预测步数、在损失函数里加入物理约束项、用多个模型做 ensemble。

问题六：推理速度不达标。

世界模型的推理速度往往比训练速度更关键。如果推理太慢，先检查是不是用了 FP32 而不是 FP16 或 BF16。精度降下来之后，速度通常能提升一倍以上。如果还不够，可以考虑模型剪枝或蒸馏。

5.3 硬件选型类问题

问题七：该买英伟达还是 AMD。

这个问题没有标准答案。如果你的团队已经深度绑定 CUDA 生态，迁移成本很高，那就继续用英伟达。如果你是新团队，或者想押注 AMD 的生态，那可以试试 AMD 的卡。关键是算清楚迁移成本和长期收益。

问题八：租用 GPU 还是自建集群。

世界模型训练对显存和卡间带宽要求高，租用方案在灵活性上有优势，但长期成本可能更高。如果训练任务持续半年以上，自建集群通常更划算。如果只是做实验，租用更合适。

问题九：显存多大才够用。

这取决于你的模型规模和输入分辨率。粗略估算：输入 256x256 分辨率、16 帧视频、batch size 为 8 的情况下，中等规模的世界模型大约需要 40GB 到 80GB 显存。如果做更高分辨率或更长时序，显存需求会成倍增加。

6. 这件事后续会怎么走

6.1 短期内的可见变化

收购完成后的头半年到一年，最可能看到的变化是World Labs 的模型开始出现在 AMD 的官方工具链里。AMD 会推出针对世界模型优化的 ROCm 版本，可能会发布预编译的 PyTorch 轮子，也可能会在自家的 GPU 云服务上提供 World Labs 模型的托管推理。

对开发者来说，这意味着尝试世界模型的门槛会降低。以前需要自己配环境、自己调算子，以后可能一条命令就能跑起来。这个变化对生态的推动作用，比硬件参数提升几个百分点要大得多。

6.2 中期竞争格局的推演

中期来看，世界模型领域会形成英伟达 Cosmos 和 AMD-World Labs 双雄对峙的局面。两边都会拼命拉拢开发者和数据合作伙伴。对开发者来说，这是好事，因为竞争会带来更好的工具、更低的价格、更多的选择。

但也要注意，双雄对峙也可能导致生态碎片化。如果两边的模型接口不兼容，开发者的迁移成本会很高。这时候，开源社区的角色就很重要。如果能有中立的开源世界模型方案，对整个行业都是利好。

6.3 对个人学习路线的建议

如果你现在还在学校或者刚入行，想往世界模型方向发展，我的建议是：先把基础打牢，再追热点。

基础包括：线性代数、概率论、优化理论、强化学习基础、计算机视觉基础。这些听起来很枯燥，但世界模型的核心难点都在这些基础里。没有这些基础，你只能跟着别人的代码跑，遇到问题就卡住。

在此基础上，选一个开源世界模型方案，把代码读透，把训练流程跑通，然后尝试在自己的数据上微调。这个过程比看十篇论文都有用。世界模型这个方向，工程能力和理论能力同样重要，缺一不可。

最后分享一个我自己的体会：世界模型现在处于“方法还没收敛”的阶段，这意味着现在入场的人，有机会定义未来的标准。AMD 花 82 亿美元买的就是这个定义权。对个人来说，虽然买不起 World Labs，但可以买几本书、租几张卡、花几个月时间，把自己变成这个领域里能解决问题的人。这个投入产出比，比追任何热点都高。