“ 世界模型正在从技术讨论，进入更具体的产业场景。
82亿美元，AMD买下了一家成立不过两年的空间智能公司。
9月28日，AMD正式签署收购World Labs的最终协议，采用全股票交易，交易对价约82亿美元，预计于2026年底前完成。交易完成后，World Labs创始人李飞飞将加入AMD，担任执行副总裁兼首席科学家，直接向苏姿丰汇报。
这是今年世界模型赛道最重的一笔交易之一。英伟达持续加码Physical AI，AMD直接用82亿美元买下World Labs，巨头们正在把空间智能、世界模型和机器人学习推到更核心的位置。
将视线转回国内，一批团队其实已经开始沿着相近的问题往前走。其中，影身智能从2024年成立起，就把技术路线押在4D世界模型上：从真实4D数据切入，向上训练世界模型，再把模型接进机器人和真实制造现场。
一个发生在资本市场，一个发生在生产现场。放在一起看，世界模型正在从技术讨论，进入更具体的产业场景。
01.
82亿美元，买的不只是一个模型
AMD对World Labs的押注，早在正式收购之前就已经开始。AMD早已是World Labs的投资方，先后参与其B轮及后续融资。双方也围绕AMD Instinct GPU展开世界模型算力扩展、工作负载优化和商业合作。AMD Ventures今年披露这笔投资时，给出的判断很明确：空间智能可能成为下一阶段AI的基础层。
World Labs讲的故事，其实并不复杂。
今天的大模型已经非常懂文字，却未必真正懂一个杯子放在哪里、一扇门后面还有多少空间，或者机器人推一下桌上的物体之后，世界会变成什么样。语言可以描述世界，但语言本身不是世界。
World Labs在9月发布的新一代模型Atlas，就是这套判断的一次集中体现。它从头训练，原生处理文本、图像、视频和3D信息，并把不同模态放进统一的空间上下文，用一套模型同时处理生成、重建和模拟。按照World Labs自己的定义，世界模型不仅要描述世界长什么样，还要理解世界如何变化，并最终帮助机器人规划动作。
更早的7月，World Labs还收购了机器人仿真公司SceniX。
SceniX公开的Real-to-Sim-to-Real系统，可以把一个真实机器人任务重建成仿真环境，再改变物体位置、杂物、物理参数、机器人状态和相机视角，把一次真实任务扩展成大量可控训练环境。World Labs甚至展示了零真实训练数据学习复杂操作、在仿真中提前预测策略成败等早期结果。
把SceniX、Atlas和AMD这笔82亿美元收购放在一起看，背后的产业脉络已经越来越具体：空间建模、世界模型、机器人仿真和真实学习闭环，正在被更紧密地接到一起。
这并不只是World Labs一家的选择。在国内，围绕同一个问题——AI究竟如何获得对物理世界的稳定表示，并把它用于机器人学习和执行，已经出现了几种不同的技术起点。
02.
中国世界模型，已经开始“分路”
这些路线并不是泾渭分明的“门派”。生成、重建、仿真、机器人训练往往彼此交叉。真正不同的，是各家公司从哪里切进去。
一类首先从空间生成和世界建模切入。
腾讯混元世界模型就是比较典型的代表。HunyuanWorld 1.0可以从文本或图片生成可漫游的3D场景，支持360度空间浏览，并能够导出Mesh资产继续进入游戏引擎和3D工具。
这条路线目前更偏向空间内容生成和3D世界构建，与机器人训练并不完全等价，但它代表了一个共同趋势——模型开始从二维内容生成，走向具有空间结构的世界表示。
另一类更靠近空间理解、仿真和训练数据。
群核科技的路线最具代表性。其SpatialLM直接处理3D空间信息，SpatialVerse则为机器人和智能体提供虚拟训练场。截至2025年底，群核公开积累的资产已经超过5亿个3D场景和4.79亿个3D模型，形成了从空间工具、空间数据到空间模型的一套技术栈。
这条路线解决的问题又往机器人靠近了一步。它不只是“生成一个3D世界”，而是把数字空间继续加工成机器人可以理解、训练和测试的环境。
还有一类，把切入口放得更靠近真实世界本身，即先把真实环境记录和重建出来，再训练世界模型。
影身智能更接近这一条。2024年成之后，它没有先从机器人本体或者VLA切入，而是从多视角数据采集和动态重建起步，再向上训练4D世界模型，最后把模型接进机器人和真实制造现场。
如果说腾讯更偏向“生成一个世界”，群核更擅长“把空间变成训练环境”，那么影身智能更强调的，是怎样把一个正在发生的真实世界，变成模型可以持续学习的数据。
这也是理解影身智能最关键的入口。
03.
真正的分野，从数据开始
过去两年，具身智能行业最不缺的词之一，就是数据。真机采集、遥操作、人类视频、互联网视频、仿真合成数据，都在快速扩张，进入机器人模型的训练体系。
行业讨论的问题也随之变化。当数据越来越多以后，真正影响模型效果的已经不只有“多少小时”，还有这一小时究竟记录了什么，包含多少机器人真正能够利用的状态信息。
影身智能切入的正是这一层。它没有把单路视频直接作为最终数据，而是用多个摄像头从不同方向同步记录同一个场景，再完成空间对齐和动态重建，把不同画面恢复到统一空间中，并保留随时间发生的连续变化。
同样是一个人拿起鞋子的操作。普通视频可以记录人的手怎么移动、鞋子最终去了哪里。多视角4D数据还可以进一步恢复鞋在空间中的位置、不同视角之间的对应关系、遮挡过程，以及状态如何随时间连续变化。
影身智能把中间这套处理过程称为“数据冶炼”。去掉概念包装，它本质上是一套数据工程——摄像头负责采原料，空间重建和模型负责把原料加工成可以用于世界模型训练的时空信息。
这和单纯扩大采集规模，是两种不同的着力点。大量数据采集中心解决的是“数据有没有”。影身智能更想解决的是，同样一段真实操作，能够留下多少对空间理解、状态预测和机器人操作有价值的信息。
影身智能搭载「柔性具身模型」的机械臂正在进行穿鞋带操作
它的采集方式也不完全依赖机器人本体。按照影身公开的路线，环绕摄像头可以直接布置在工位和真实生产环境周围。工人在正常工作的同时，系统就能够持续产生多视角数据，不要求操作人员长期佩戴头显，也不一定需要占用机器人专门跑数据。
这让影身的4D路线带有很强的数据基础设施属性。但数据只是第一步。真正决定它是不是一家具身智能公司的，是后面的模型和执行。
影身目前试图把整条链连起来：真实场景采集→4D重建→世界模型→动作规划→真机执行 →新数据回流。机器人执行后的结果，再回到数据体系继续训练。
到了这里，4D才不只是一个数据格式，它开始变成模型和机器人之间的一层接口。
04.
从模型到产线，4D世界模型走进验证期
技术路线走到最后，还是要回到真实场景。影身智能选择的第一个重点工业场景，是制鞋。
晋江市政府今年4月公开的数据显示，影身智能相关机器人已经进入压底、涂胶、拉模等制鞋环节，并逐步进行规模化验证。当地报道还提到。其双机械臂机器人能够在鞋款之间切换，不需要每次人工重新编程。
一个月后，影身智能又在晋江发布涂胶机器人、压底机器人等设备。公开信息显示，相关设备采用其自研4D高斯世界模型，并结合力控动态补偿算法处理真实作业中的位置、姿态和接触变化。
制鞋之所以适合验证世界模型，不在于这个行业“传统”，而在于它本身就是典型的“双柔性”场景。
一方面是材料与物体的柔性。不同鞋款、尺鞋码、材质对应不同曲面体会形变，摆放位置也并不完全固定。另一方面是订单模式的柔性。轻工业普遍存在小批量、多批次、高频换款、快速翻单的需求。
这和传统工业机器人擅长的固定工位、固定产品、固定轨迹恰好相反。传统自动化无法适配频繁切换的个性化订单，一旦换款，重新示教、标定和调试往往不可避免；而影身的“双柔性”方案，则能游刃有余地应对这一切。
简单来说，影身真正想验证的，是模型能不能根据眼前这双鞋的实时状态调整动作，而不是死记一条轨迹。
从目前公开数据看，这条路线已经开始进入效率验证阶段。按照闵伟在晋江市政府报道中的公开表述，相关生产环节8—10小时可生产约3000双鞋；刷胶环节，一台设备一天可处理约1000只鞋，对应约1.5个人工。
从更远的视角来看，如果这套能力能够从制鞋进一步复制到服装、柔性装配等场景，意义就不只是多落地几台机器人。更关键的是，它会验证一件事：同一套世界模型，能不能跨产品、跨设备，甚至跨行业复用。
这才是4D世界模型从技术成立走向商业成立的关键一步。
05.
从一条产线，滚出一个飞轮
工厂对影身还有另一层价值。它不只是一个落地场景，也是持续产生真实数据的地方。
不同鞋款、尺寸、材料、摆放状态和异常情况，都会在真实生产中不断出现。只要这些数据能够重新进入训练体系，产线就不再只是模型的应用终点，也会变成新的数据入口。
于是，一条更完整的循环开始形成：部署产生数据，数据继续训练模型，模型再降低后续部署和调试成本。这让影身的4D路线不只停留在“拥有一套模型”，而是具备了持续滚动数据、模型和场景的可能。
与此同时，影身还在把这套4D能力延伸到机器人之外。2026年服贸会上，公司展示了一套6摄像头4D直播方案：多个机位采集同一现场，再通过模型完成实时空间重建，并生成摄像头没有直接覆盖的新视角。
4D直播和制鞋机器人面向不同市场，但底层都复用了多视角采集、空间对齐、动态重建和4D生成能力。这让影身这套技术栈具备了一层额外价值——同一套底层能力，可以在工业具身和数字内容等不同业务里复用。
对一条前期投入较重的4D路线来说，这种复用既能提高技术利用率，也能带来更多真实数据入口。
从这个角度看，影身真正想做大的，不只是单个机器人项目，而是一套能够随着业务扩张持续积累数据和模型能力的4D世界模型底座。
06.
未来与结语
再回头看AMD的82亿美元。它并没有替世界模型行业选出一条标准答案。
腾讯从空间生成往下走，群核从空间数据和仿真训练往上走，World Labs把空间模型与Real-to-Sim连接起来，影身智能则从真实4D数据开始，继续往模型和机器人执行延伸。
这些路线存在大量交叉，也远没有到胜负已分的时候。但有一点已经越来越明确：世界模型的价值，最终不能只由生成效果证明。它需要进入仿真，需要进入训练，也需要在真实世界里接受反馈。
对于影身智能来说，真正需要证明的是从真实4D数据、世界模型到机器人执行这条链，能不能持续从晋江的一条生产线，复制到更多工厂和更多柔性任务。
AMD用82亿美元，把空间智能再次推到了聚光灯下。而这场竞争更硬的一面，是谁能真正让机器人看懂世界之后，还能把活干完。
