本文来自微信公众号： 奇异AI丨Xsignal ，作者：X 博士
2026年9月28日，AMD宣布与李飞飞创办的World Labs达成最终收购协议，交易价值约82亿美元，采用全股票方式，预计在满足监管审批等条件后于年底前完成。交易完成后，李飞飞将加入AMD，担任执行副总裁兼首席科学家。AMD给出的收购逻辑并不局限于3D生成，而是明确指向机器人、Simulation和Physical AI等下一代AI Workload。
这笔交易距离World Labs发布Atlas只有27天。9月1日，World Labs刚刚发布新一代世界模型Atlas。它把大语言模型的Autoregressive、图像和视频模型的Diffusion、多模态理解以及3D Spatial Context放进同一套基础架构，目标也不再只是生成视觉内容，而是生成、重建和模拟一个可以被机器理解和使用的世界。World Labs同时明确表示，Atlas的表现会随着训练Compute增加而提升。
把两件事放在一起看，真正值得讨论的不是“世界模型突然值82亿美元”，而是AI产业正在出现一个更深的变化：Scaling的对象正在从Information向World迁移。
前一条技术轴告诉我们，具身智能的能力从哪里来；后一条产业轴决定，它最终能不能成为一个足够大的产业。
Information已经Scale
27.72亿用户之后，AI开始寻找“任务增量”
为什么Physical AI会在2026年突然成为焦点？一个重要背景是，生成式AI本身已经完成了第一轮大规模用户普及。
根据Xsignal AI Holo（AI全息）数据显示，2026年8月，中国AI应用活跃用户规模达到86,639.68万，海外达到190,601.22万，全球合计约27.72亿。同期，ChatGPT的APP+WEB合计活跃用户达到13.24亿。
这个数量级已经足以说明，第一代生成式AI完成了从科技人群尝鲜到大众应用的跨越。当全球AI用户达到27亿级、单一头部产品达到13亿级之后，产业增长逻辑会自然发生变化。过去首先要解决的是“还有多少人没有使用AI”；下一阶段更重要的问题则是：这些已经进入AI生态的用户，会把多少时间、多少流程和多少任务进一步交给AI。
从Xsignal AI Holo（AI全息）数据观察到的产品结构变化也能看到类似趋势。增长活跃的方向已经不只集中在通用Chatbot，AI设计、AI视频编辑、AI PPT以及专业工作流工具持续扩展。这不能直接证明机器人市场已经启动，但它反映出AI创造价值的单位正在变化——从“一次回答”“一次生成”，逐渐转向“一项任务”。
第一阶段的生成式AI主要生产Content；Agent和专业工作流开始调用工具、处理文件、操作软件和执行流程，AI由Information Generation进入Digital Action。具身智能则继续向前一步：把Action带入真实世界。
这也是为什么27.72亿AI用户对具身智能研究有意义。它并不证明机器人即将爆发，而是说明Information Scaling已经完成第一轮市场验证，AI下一阶段必须寻找更深的任务价值。过去市场关心AI能够生成什么；下一阶段，更重要的问题会逐渐变成：AI究竟能够替这27亿级用户规模完成什么？
World能不能Scale
Atlas之后，AI开始从学习信息转向学习世界
从语言模型进入真实世界，首先遇到的问题是：语言并不是世界本身。
李飞飞此前把World Model划分为三类功能：Renderer负责输出Observation，即机器看到什么；Simulator负责描述State，即世界实际处于什么状态、接下来怎样变化；Planner负责Action，也就是机器下一步应该做什么。三者共同组成Agent与现实世界不断循环的“观察—状态—行动”闭环。
过去几年，Renderer发展最快。图像和视频模型已经能够生成高度逼真的视觉世界；Planner也在快速发展，LLM负责规划，VLM理解环境，VLA进一步将视觉、语言和动作连接起来。真正困难的是中间的Simulator。
机器人需要的不是一个“看起来真实”的世界，而是一个“物理上成立”的世界。一个杯子可以在生成视频中非常逼真，但如果模型不知道它的尺寸、质量、重心、摩擦力和接触关系，机器人仍然无法判断从哪里抓最稳定、施加多大力量，或者动作之后杯子会发生什么变化。
Atlas的重要性正在于此。它不再只生成新的视觉Observation，还试图从有限信息中恢复稳定的3D结构，并将Simulation纳入世界模型能力范围。World Labs将Atlas直接定义为能够生成、重建和模拟世界的omni world model。
这个判断并不是World Labs一家公司的孤立选择。Jensen Huang正在从基础设施侧推进相似方向：NVIDIA把Cosmos World Foundation Model、Isaac Simulation和GR00T机器人基础模型放进同一套Physical AI技术栈。背后的逻辑是，Digital Agent可以在软件系统里调用工具，而Physical Agent必须先理解真实环境、预测行动后果，再控制机器人或车辆。
Yann LeCun虽然选择了不同的技术路线，却从反面指出了同一个问题：Next Token Prediction擅长学习语言结构，但不足以建立一个稳定、可用于行动预测的现实世界模型。他因此长期强调World Model和基于潜在表征的预测，而不是把语言生成能力简单外推到Physical Intelligence。李飞飞则从Spatial Intelligence和Simulation出发，试图把视觉理解、三维空间与行动所需要的内部世界连接起来。
三人的具体方法并不相同，但这里真正值得保留的共同判断只有一个：从语言进入物理世界以后，AI必须从学习“信息之间的关系”，进一步学习“行动与世界状态变化之间的关系”。
这也解释了为什么AI下一阶段的Scaling对象开始变化。语言模型Scaling的是Token和Knowledge，视频模型Scaling的是视觉与时间数据，而World Model开始尝试Scaling空间、Dynamics和可预测的世界状态。Information Scaling之后，下一道门槛就是World Scaling。
但即便World能够Scale，机器人也不会自然学会工作。一个可以模拟的世界，只是提供了训练环境；真正决定机器人能力的，是它在这个世界中获得多少有效交互经验。于是问题自然进入下一层：机器人从哪里获得足够多的Experience？这正是1000万小时真实场景视频数据值得讨论的原因。
Experience能不能Scale
机器人真正缺的不是更多视频，而是自己的“互联网”
即使机器已经拥有一个很好的World Model，它仍然不会自然学会工作。原因很简单：机器人没有自己的互联网。
语言模型可以直接利用海量互联网文本，图像和视频模型同样拥有庞大的公开数据。机器人真正需要学习的却不是“这个世界看起来是什么样”，而是“在这个世界中做了什么，以及做完之后发生了什么”。
这也是2026年9月9日JDDiscovery-2026京东全球科技探索者大会上披露的一个数字值得关注的原因：京东提出未来两年累计采集超过1000万小时真实场景视频数据，首批数据已经开始开放。
这里真正有产业意义的，不是京东自身的业务布局，也不是1000万这个数字看起来有多大，而是具身数据的入口正在从Robot向Human扩展。1000万小时人类视频当然不能等同于1000万小时Robot Trajectory，普通视频不包含完整的机器人关节状态、控制信号、力觉和触觉，因此不能直接替代高质量机器人操作数据。但它提供了一个新的数据入口。
过去，高质量机器人数据高度依赖真机和遥操作，每增加一小时都需要真实设备、人员、场地和时间。现在，物流分拣、物体取放、维修、整理等本来已经存在的人类劳动行为，也开始被视为可以转化的Physical Experience。
这会改变机器人行业的数据竞争方式。未来单纯公布“拥有多少小时数据”，分析意义会越来越有限。机器人在同一个工位重复1000小时，并不会产生1000小时同等价值的新知识。真正稀缺的是新任务、新环境、新物体，以及失败、异常和恢复过程。
World Model和Simulation真正可能产生巨大杠杆的地方，就在这里。如果一个真实工位能够被重建进Simulation，模型就可以不断改变物体位置、相机视角、机器人姿态、障碍物、光照甚至部分物理条件。一次真实Experience，不再只能被使用一次，而能够扩展成大量Simulation Experience。
这就是Experience Scaling。从这个角度看，1000万小时真实场景视频真正释放的信号，不是机器人也开始“大数据化”，而是行业开始寻找Physical AI自己的互联网。
Experience怎样变成Action
机器人基础模型开始进入第二阶段
World和Experience最终都要转化成Action。目前最直接承担这一任务的是VLA。
RT-2把机器人动作表示成类似Token的形式，使视觉语言模型可以像生成文本一样输出动作；Diffusion Policy把扩散模型带入机器人控制；π0则进一步采用Flow Matching生成连续动作。
这并不是简单把生成式AI的热门方法移植到机器人。现实中的机器人任务本身就是多解问题。同一个杯子可以有多个合理抓取路径，同一个整理任务也可能存在多个合理顺序。传统回归容易把多个可行方案平均掉，而生成式模型擅长学习的正是这种高维、多模态分布。
所以“具身智能正在吃掉生成式AI全部果实”并不是一句修辞。过去分别用于文字、图片和视频生成的方法，正在被重新组织成感知、World Model和Action Model。
但真正意义上的Action Scaling不能只证明模型能完成更多动作。更关键的问题是：模型能不能跨任务、跨场景、跨Embodiment复用经验。
宇树近期产品变化很有代表性。H2 Plus已经明显不只围绕Motion Performance定义产品。它搭载Jetson T5000，提供多视角视觉和可选触觉灵巧手，并明确支持Isaac GR00T及从数据到部署的机器人开发工作流。真正值得关注的，不是2070TFLOPS或者75个自由度本身，而是机器人产品的定义正在被基础模型反向改变。
过去是先把机器人造出来，再考虑怎样加入AI；现在，模型需要什么摄像头、需要多少机载算力、怎样采集示范、是否需要触觉、怎样接入Simulation，已经开始进入机器人最初的硬件设计。机器人正在从Motion Machine变成Physical AI Terminal。
H2-D一类轮式双臂平台又提出了另一个很重要的问题：Physical AI并不等于Humanoid。真实产业最终寻找的是最合适的Embodiment，而不是最像人的外形。因此，未来真正需要标准化的可能不是Body，而是Model和Policy。
如果每换一种机器人都需要重新训练一套模型，VLA仍然更接近先进的项目制软件；只有当Experience能够跨任务、跨场景和跨机器人身体复用时，Action Scaling才真正成立。
最后一道门槛不是Action，而是Productivity
这也是整篇文章最容易被技术讨论掩盖的一点：机器人会做一件事情，并不等于这件事情值得交给机器人。
过去两年，人形机器人首先需要证明自己能站、能跑、能跳，这是本体发展的必要阶段。但随着Motion能力提高，这些指标对商业价值的解释力会越来越弱。真正决定商业价值的，不再是机器人百米跑多快，而是一天能够自主工作多少小时；不是一次抓取成功率多高，而是一万次操作需要多少人工介入；不是Demo展示多少动作，而是增加一个任务需要多少重新训练和现场调试。
Capability回答“机器人能不能做”，Productivity回答“企业值不值得让它做”。因此，Physical AI真正的核心指标最终会回到几个非常传统的商业数字：有效自主工作时间、人工接管率、平均故障间隔、异常恢复时间、任务迁移成本和单位任务成本。
这也是为什么近期最现实的商业化仍然会首先集中于工业、仓储、巡检和部分标准化服务。结构化场景的价值并不是技术要求低，而是能够首先压缩环境的不确定性，把模型能力转化成可计算的ROI。
真正有意义的Productivity Scaling应该表现为：部署规模增加，Experience增加；Experience增加，模型能力提高；模型能力提高，人工接管下降、有效工作时间增长、单位任务成本下降。
如果机器人只是卖得更多，那仍然是制造业规模扩张；如果部署越多，模型越强，而下一次部署反而越来越便宜，那才开始具备AI平台的经济属性。
结语
82亿美元真正买的是“Scaling进入现实世界”的期权
回到AMD与World Labs的交易。如果只从World Labs当前产品和收入看，82亿美元很难用传统软件估值逻辑解释。但如果把它放到更长的AI产业链上，逻辑会清晰很多。
过去一轮AI基础设施建设的核心，是Information Scaling。更多Token、更大的模型、更高推理量，创造了巨大的GPU、HBM和数据中心需求。如果World Scaling成立，未来增加的将是3D Reconstruction、World Simulation和多模态空间推理；如果Experience Scaling成立，Simulation和Synthetic Experience会进一步扩大机器人训练Compute；如果Action Scaling成立，大规模Policy Training和Real-time Inference又会形成新的Workload；最终，如果Productivity Scaling成立，Physical AI就不再只是一个模型市场，而会真正进入制造、物流、交通和服务业的资本开支体系。
真正需要思考的，不是“World Labs值不值82亿美元”，也不是“人形机器人什么时候爆发”。真正的问题只有一个：生成式AI已经在数字世界证明过的Scaling范式，能不能继续穿越现实世界。
Information Scaling已经通过十亿级用户和大规模AI基础设施完成第一轮验证。现在行业正在依次测试剩下的四道门槛：World能不能Scale，Experience能不能Scale，Action能不能Scale，最终Productivity能不能Scale。
如果答案是肯定的，那么具身智能就不只是生成式AI之后出现的另一个垂直赛道。它更可能代表生成式AI下一阶段最大的一次价值迁移：从Content Economy走向Physical Economy。