近日，在法国财经媒体《La Tribune》为 2026 年马赛人工智能大会（AIM 2026）录制的一场专访中，图灵奖得主、深度学习先驱杨立昆（Yann LeCun）详细披露了其创办的人工智能初创公司 AMI Labs 的世界模型商业化路线：先发表科学论文，再进入工业应用，最终瞄准家庭机器人、自动驾驶等需要与现实世界交互的智能系统。
离开 Meta 创办 AMI Labs 约半年后，杨立昆并没有急于向外界展示新产品。相反，他坦言，公司目前仍处于技术研发阶段，短期内尚无明确的产品发布计划，距离真正的商业化落地还有一段路要走。目前，AMI Labs 已组建起一支约 50 至 60 人的团队，成员分布在巴黎、纽约、蒙特利尔和新加坡四地，并开始与潜在客户及合作伙伴接触。
与许多扎根硅谷的 AI 初创公司不同，AMI Labs 从成立之初就选择了全球化布局，总部设在巴黎，并在北美和亚洲组建研发团队。杨立昆此前曾表示，硅谷的研究人员和资本过度集中于大语言模型，因此希望在其他地区探索不同的技术路线。
不过，这条路线在创业初期并未得到硅谷的普遍认可。今年 3 月，AMI Labs 联合创始人兼首席科学官谢赛宁在接受《商业访谈录》采访时坦言：在硅谷，大多数人并不相信我们；但在世界其他地方，大多数人是相信我们的。
尽管面临不同声音，AMI Labs 仍获得了资本市场的支持。今年 3 月，公司宣布完成约 10.3 亿美元种子轮融资。而在技术研发方面，杨立昆也在延续自己多年来坚持的联合嵌入预测架构（Joint Embedding Predictive Architecture，JEPA）路线。该架构由他于 2022 年提出，旨在通过学习抽象表征，预测现实世界中有用且可以预测的变化，而不必完整生成图像或视频中的每一个细节。
今年 3 月，杨立昆与合作者提出 LeWorldModel（LeWM），通过简化训练方法，让世界模型能够直接从图像中学习环境变化，并预测不同动作可能带来的结果。该模型约有 1,500 万参数，可在单张 GPU 上用数小时完成训练。在部分控制任务中，其规划速度相比基于大型基础模型的世界模型最高提升约 48 倍。
10 月 5 日，杨立昆及其合作者又公布了 H-JEPA（分层联合嵌入预测架构）研究。该研究尝试让世界模型在不同时间尺度上预测和规划，将长期目标逐步拆解为具体动作。在 Visual AntMaze 模拟导航任务中，三层 H-JEPA 的成功率达到 73%，明显高于作为对照的单层模型的 18%。
目前，这些成果仍主要处于研究验证阶段，尚未转化为商业产品。不过，从降低训练复杂度到改善长期任务规划，JEPA 的研究正在逐步扩展世界模型的能力范围。而在此次访谈中，杨立昆也进一步解释了为何选择这条不同于大语言模型的技术路线，以及 AMI Labs 准备如何将其应用于真实世界。
大语言模型之外，另一条 AI 技术路线
对于为何选择世界模型，而不是继续沿着大语言模型的技术路线发展，杨立昆首先谈到了现有 AI 系统的局限。
他认为，尽管 ChatGPT 等大语言模型已经非常有用，能够支持大量产品开发，但如果希望构建真正理解现实世界、能够预测自身行动后果的智能系统，现有技术仍然存在明显不足。尤其是近年来受到广泛关注的 AI 智能体，虽然可以调用工具、执行一系列操作，却往往无法准确判断这些操作可能产生什么结果，这也是它们有时会犯错的原因。
为了说明两条技术路线的区别，杨立昆用了一个帆船的比喻。他将大语言模型比作传统的单体帆船，即使不断改进船体结构、使用新材料、优化船帆设计，性能仍然受到原有架构的限制。而他希望发展的世界模型，则更像是采用水翼技术、能够升离水面的多体帆船，通过改变设计方式获得新的能力。
在杨立昆看来，这不仅是技术上的改进，更是一种研究范式的变化。不过，他也承认，世界模型仍处于研究阶段，距离大规模应用还需要时间。
他进一步解释，大语言模型主要通过学习海量文本，掌握人类积累的知识和语言规律，因此更像是一种对人类知识的提炼与浓缩。虽然这类系统能够大幅提高信息获取和处理效率，但并不意味着它们已经具备可靠理解物理世界、独立创造知识的能力。
不过，数学和计算机编程是两个值得注意的例外。在这些领域，AI 可以通过运行程序或检查数学证明，验证自己生成的结果是否正确，并在此基础上反复修改。因此，大语言模型能够在一定程度上产生新的知识，而这种能力在其他难以自动验证结果的领域中，则没有那么容易实现。
相比之下，现实世界的复杂程度远远超过文本。对于同一段视频，接下来可能发生的变化几乎是无限的。如果要求模型像生成文字一样，准确预测视频中的每一个像素，就不得不处理大量无法预测、甚至与任务无关的细节。
杨立昆以自动驾驶为例说明，车辆行驶过程中需要预测其他汽车、行人和障碍物的运动，但没有必要精确预测路边每片树叶随风摆动的轨迹。后者不仅难以预测，也不会直接影响驾驶决策。
这也正是 JEPA 的基本思路。它不要求模型完整生成未来画面，而是让系统自行学习一种抽象表征，过滤难以预测的细节，将注意力集中在真正影响后续行动的信息上。例如，对于自动驾驶系统而言，比起预测树叶如何摆动，判断前方车辆是否会突然刹车显然更为重要。
杨立昆认为，只有能够预测现实世界中不同动作可能带来的后果，AI 才有可能进一步进行规划和决策。相比生成看起来逼真的视频，他更关注模型能否真正学习环境的运行规律，并利用这些知识完成现实任务。
AMI Labs 如何商业化？
虽然机器人是世界模型最受关注的应用方向之一，但在谈到 AMI Labs 的商业化计划时，杨立昆首先提到的却是传统工业领域。
他表示，公司最早公布的成果将主要以科学论文为主，用于介绍新的技术方法、展示世界模型的能力。随后，AMI Labs 计划通过行业合作伙伴部署企业级智能系统，重点面向工业过程控制等场景。
按照杨立昆的设想，这些应用将主要采用企业对企业（B2B）的商业模式，而不是直接向普通消费者销售产品。他透露，公司已经接触了不少潜在客户和合作伙伴，其中包括法国工业企业，部分合作伙伴也是 AMI Labs 的投资者。
之所以选择工业领域，与世界模型所要解决的问题密切相关。杨立昆指出，发电厂、涡轮喷气发动机、化工厂等复杂工业系统通常配备大量传感器，能够持续记录设备的运行状态。如果通过机器学习建立系统的预测模型，就可以尝试提前识别异常、预测设备故障，并帮助企业优化运行过程。
例如，当某个零部件出现异常振动时，系统可以根据历史数据判断设备是否需要维护；在化工生产中，也可以通过预测不同工艺参数调整后的结果，寻找效率更高、排放更低的生产方案。在他看来，这类应用场景的数量非常庞大。随着 AMI Labs 与潜在客户交流的深入，团队也逐渐认识到，世界模型在工业过程控制方面具有广泛的应用可能。
图｜杨立昆（来源：YouTube）
在谈到世界模型与现有数字孪生技术的区别时，他进一步解释，世界模型可以被视为一种自动化构建数字孪生模型的方法。
传统数字孪生通常需要工程师和研究人员根据物理规律建立数学模型。以涡轮喷气发动机为例，研究人员可能需要分别描述内部流体运动、燃烧过程、材料变形、机械振动等复杂现象，再将这些模型组合起来。这一过程不仅耗时，而且随着系统复杂程度提高，建模难度也会迅速增加。
世界模型则尝试采用另一种方法：直接利用真实设备运行过程中产生的数据，通过机器学习构建能够预测系统行为的模型。这样就不必对所有物理过程进行逐一描述，而是重点学习那些能够帮助预测和控制系统的规律。
这一思路也让杨立昆看到了世界模型在生物医学领域的应用潜力。他指出，对于人体细胞这样高度复杂的生物系统，目前仍然很难建立一个能够完整描述其运行过程的数字孪生模型。
如果未来能够通过学习生物学数据建立预测模型，就有可能进一步用于理解细胞状态及其变化。在临床领域，杨立昆还提出，可以设想为患者建立反映其身体状态的模型，用于预测不同药物或治疗措施可能产生的效果，并通过规划一系列干预措施，寻找控制慢性疾病的治疗方案。
他还透露，AMI Labs 已与医疗 AI 公司 Nabla 建立合作关系。Nabla 前首席执行官亚历山大·勒布伦（Alexandre Lebrun）目前担任 AMI Labs 首席执行官。不过，杨立昆并未在访谈中详细介绍双方的具体合作内容，以及相关医疗应用的研发进展。
除了工业和医疗领域，杨立昆还提到了自动驾驶、物流配送机器人和家庭机器人等应用。与工业过程控制相比，这些系统需要在更加开放、复杂的环境中工作，因此对模型的理解、预测和规划能力提出了更高要求，也被他视为中长期的发展方向。
机器人是长期目标，但杨立昆拒绝给出时间表
相比工业应用，具备自主行动能力的机器人，是 AMI Labs 更为长远的目标。
不过，当主持人追问普通消费者何时能够真正使用这些产品时，杨立昆并没有给出明确日期。他认为，判断机器人是否取得实质性进展，不能仅仅看它能否在演示视频中完成某项任务，而要看它是否真正具备对物理世界的理解，以及能否在不同环境下灵活执行操作。
例如，一个家庭机器人应当知道，推动桌上的瓶子可能使其滑动或倾倒；当瓶子倾倒时，又可能掉落到地面。只有具备这样的物理常识，机器人才能在未经特别准备的环境中完成取物、递送等日常任务，而不是只能在严格控制的条件下执行某一个动作。
杨立昆表示，目前不少企业正在开发家庭机器人，其中包括大量中国企业，以及部分美国和欧洲企业。但他认为，如何让这些机器人获得足够可靠的智能，仍然是尚未解决的重要问题。
在他看来，制造机器人硬件与开发机器人智能系统是两项不同的工作。AMI Labs 的目标并不是生产机器人本身，而是开发能够控制机器人、帮助机器人理解环境并规划行动的智能系统，相当于为机器人提供“大脑”。
事实上，杨立昆并不是唯一押注世界模型的 AI 科学家。被称为“AI 教母”的李飞飞（Fei-Fei Li）同样认为，仅依靠语言模型不足以让 AI 理解现实世界。她于 2024 年联合创办的 World Labs，也在探索如何让 AI 建立对物理世界的理解。不过，两人在技术实现路径上存在不同主张：杨立昆强调通过 JEPA 在抽象表征空间中预测环境变化，而李飞飞的 World Labs 则更侧重空间智能，通过生成、重建和模拟可交互的三维环境，让 AI 学习空间结构及其变化规律。
如今，两家公司的商业化路径也出现了明显差异。今年 9 月 28 日，AMD 宣布将以约 82 亿美元的全股票交易收购 World Labs，预计年底前完成。交易完成后，李飞飞将出任 AMD 执行副总裁兼首席科学家，继续推进空间智能研究。World Labs 此前已推出三维世界生成产品 Marble，并与 AMD 在模型训练和推理优化方面展开合作。此次交易也将使其进一步获得芯片巨头的计算资源与工程支持。
相比之下，杨立昆仍选择带领 AMI Labs 独立推进世界模型研发。虽然两家公司都希望让 AI 具备理解物理世界的能力，但 World Labs 已经推出具体产品，并选择加入大型科技企业；AMI Labs 则仍以基础研究为主，计划先从工业过程控制等领域探索商业化。
对于 AMI Labs 而言，要实现最终的机器人目标，还需要解决更复杂的长期规划问题。机器人不仅要预测下一步会发生什么，还必须根据最终目标，提前安排一系列相互关联的动作。
这也是近期 H-JEPA 研究关注的问题。通过在不同时间尺度上进行分层预测，研究人员希望让模型既能处理长期目标，也能完成具体动作规划。不过，相关研究目前仍主要通过模拟任务和真实机器人视频的离线实验进行验证，尚未证明模型能够在真实家庭环境中长时间自主完成复杂任务。
（来源：研究论文）
对于这类系统何时能够进入普通人的生活，杨立昆仍然保持谨慎。他表示，目前无法给出确切时间，因为相关技术仍属于科学研究问题。不过，他对未来几年的发展持乐观态度，认为随着研究推进，外界将逐渐看到这类系统的新能力。
要支撑这样的长期研究，AMI Labs 还需要持续投入。杨立昆透露，公司目前主要租用外部数据中心的 GPU 算力，未来随着研发规模扩大，也可能建设自己的数据中心。他同时确认，公司后续还将进行融资，但没有公布具体时间表。尽管计算成本依然高昂，他并不特别担心大语言模型领域的投资泡沫，甚至认为，如果相关热潮降温带来算力价格下降，反而可能对 AMI Labs 有利。
目前，AMI Labs 已经获得的资金支持，为团队开展周期较长、风险较高的研究提供了条件。杨立昆表示，现阶段仍无法承诺产品何时问世，但公司将继续推进世界模型研发，并逐步探索实际应用。
参考链接：
1.https://www.youtube.com/watch?v=8qXfXu2bsE4&t=43s
2.https://h-jepa.com/
3.https://fortune.com/2025/12/19/yann-lecun-ami-labs-ai-startup-valuation-meta-departure/
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成
