比李飞飞World Labs早两年押注原生4D，影身智能这次是真走在前面了？

编辑｜杨文 AMD 收购 World Labs 的消息一出，立刻在 AI 圈引发震动。 9 月 28 日，AMD 宣布以全股票方式、约 82 亿美元的对价收购 World Labs。李飞飞将出任 AMD 执行副总裁兼首席科学家，直接向 CEO 苏姿丰汇报。 交易公布前几周，World Labs 刚刚发布新一代空间世界模型 Atlas。与此前的视频生成模型不同，Atlas 从零开始训练，把文本、图像、视频、相机位姿和 3D 深度放进统一的空间上下文，重点解决新视角预测，并延伸到三维重建和时空模拟。 在中国，有一家公司比 Atlas 早两年走上这条路。 影身智能成立于 2024 年，创始人兼 CEO 闵伟是清华大学工学博士，曾任阿里巴巴本地生活机器人团队负责人。 该公司从成立之初就选择 原生 4D 路线 ，从多视角采集和动态重建做起，进一步训练 4D 世界模型，再把模型部署进机器人和真实工厂。今年 4 月，影身智能已实现用 4 到 6 台消费级摄像头、单块消费级 GPU 实时生成 4D 数据；9 月，在中国国际服贸会上展示了 6 台摄像头支撑的 4D 直播方案。Atlas 发布时，影身智能已经在福建晋江的制鞋工厂里跑起了机器人，拿到了 2 亿元超级订单，排产机器人达数千台。 在闵伟看来， AMD 看到的不只是一家技术公司，更是一个重建生态的机会 。 「AMD 作为芯片公司，要撼动英伟达的地位，必须拥抱下一代基座模型。大语言模型时代的生态已经相对成熟，继续沿着旧路径追赶，窗口越来越窄。4D 世界模型提供了一条新的技术路线、新的基座和新的数据，可能带来一套新的算力生态。」 他把这笔交易看作 4D 世界模型从前期探索进入规模化商业落地 的转折点。 空间智能需要新的底座 过去几年，AI 在语言、图像和视频领域取得惊人进展，但当它需要真正进入现实世界，驱动机器人操作柔性材料、理解复杂的物理交互时，局限就会暴露出来。 模型可以识别画面中的物体，却未必知道物体为什么这样运动；它可以预测下一帧像素，却无法保证这种变化符合真实的物理规律。 问题与数据表征有关。 现实物理世界是四维的 ，由三维空间加上时间构成，而大语言模型处理的是文字，视频模型处理的是一帧帧二维像素，两者都是对物理世界的降维投影。一旦进行了投影，空间结构、遮挡关系、物体接触过程、柔性形变等信息，就不可避免地被压缩乃至丢失。 闵伟以风为例解释这种差异。「在二维像素中，风很难直接呈现，因为它没有明显颜色，但在 4D 时空里，风可以被理解为一组具有位置、体积和运动状态的物质。」 4D 高斯数据通过大量带有位置、尺度、方向、透明度和外观特征的高斯基元，描述物体在空间中的分布，以及这些状态如何随时间变化。这些高斯基元可以理解为带方向、可拉伸的椭球形「小光斑」，具备空间分布属性，也能够直接参与场景渲染。 相比只能还原空间结构的静态 3D 模型，4D 数据进一步记录物体的运动轨迹、遮挡关系、接触过程和形变状态，为机器人的定位、路径规划和动作调整提供更丰富的依据。 目前， 行业大致形成了四类技术思路 ： 一是基于大语言模型向上延伸，在语义空间理解物理世界，但语言本身是高度抽象的符号，幻觉问题和时空连续性问题难以根治。 二是基于视频生成模型，维度有所提升，但仍无法从根本上解决二维像素的局限。 三是在隐空间做推理，试图去除冗余特征实现更好的因果建模，但隐空间特征难以监督，不确定是否真正与物理世界对齐。 第四条路线，就是李飞飞的 Atlas 和影身智能在做的原生 4D 世界模型，让隐空间的特征尽量与真实的四维时空对齐，再在此基础上做理解、生成与预测。 影身智能选择这条路线，是从第一性原理出发的直觉。「 物理世界就是 4D 的，要做世界模型，一定要建模四维时空。 」闵伟说。 2024 年，行业主流还在 VLA、真机数据和视频模型上使力，全国建设大量数据采集中心，公司们疯狂堆真机数据，相信 Scaling Law 会在具身智能领域再次奏效。4D 路线需要更复杂的采集设备、更高的计算成本，也因此长期面临外部质疑。「当时外部看不懂，整个行业觉得 VLA 是主流，代表未来。」 如今，行业的判断正在转向。Atlas 的发布是一次高调的背书，字节跳动也被报道正在开发面向实时空间视频生成的 AI 模型。4D 逐渐从少数团队的技术选择，变成一条受到持续关注的产业路线。 影身智能如何构建 4D 世界模型？ 影身智能的技术路线包含 4D 数据加工、世界模型训练，以及让模型进入真实业务并回收执行结果三个环节，由此形成数据飞轮。 多视角视频仍然是数据入口。视频经过空间对齐、动态重建和信息补全后，先转换为随时间变化的 4D 状态，再用于模型训练。视频负责记录现实场景，4D 数据负责承载其中的空间和时间关系。 这套系统的产品形态是「